作为域适应的无监督伪装目标分割
计算机视觉与模式识别
2023-08-10 v1
摘要
由于缺乏人工标签，深度学习的无监督图像分割仍具挑战性。常见思路是训练一个分割头，以基于自监督骨干网络表征生成的像素级伪标签作为监督。如此，模型性能在很大程度上取决于目标数据集与预训练数据集（如ImageNet）分布之间的距离。在本工作中，我们研究一个新任务，即无监督伪装目标分割（UCOS），其中目标对象具有一种常见的罕见属性，即伪装。不出所料，我们发现最先进的无监督模型难以适应UCOS，原因在于通用对象与伪装对象属性间的域差距。为此，我们将UCOS表述为无源无监督域适应任务（UCOS-DA），在整个模型训练过程中源标签与目标标签均缺失。具体而言，我们定义一个由在ImageNet上预训练的自监督视觉Transformer组成的源模型。另一方面，目标域包含一个简单线性层（即我们的目标模型）与未标注的伪装对象。随后我们设计了一个前景-背景-对比自对抗域适应流程，以实现鲁棒的UCOS。结果表明，在UCOS基准上，我们的基线模型相较竞争无监督模型取得了更优的分割性能，且其训练集规模仅为有监督COS对应部分的十分之一。
引用
@article{arxiv.2308.04528,
title = {Unsupervised Camouflaged Object Segmentation as Domain Adaptation},
author = {Yi Zhang and Chengyi Wu},
journal= {arXiv preprint arXiv:2308.04528},
year = {2023}
}
备注
12 pages, 6 figures, 3 tables; Project Page: https://github.com/Jun-Pu/UCOS-DA ; Accepted to ICCV 2023 Workshop on OOD-CV