语义分割中基于光流增强的无监督域适应
计算机视觉与模式识别
2019-11-22 v1 机器学习
图像与视频处理
摘要
生成真实图像标签代价高昂，且真实图像与仿真图像之间存在域间隙，因此在仿真图像上训练的模型无法适应真实图像。解决该问题可彻底消除对真实数据集标注的需求。类别平衡自训练是现有试图缩小域间隙的技术之一。此外，用光流图增强 RGB 在简单语义分割中提升了性能，且几何结构跨域保持。因此，通过用稠密光流图增强图像，可改进语义分割中的域适应。
引用
@article{arxiv.1911.09652,
title = {Unsupervised Domain Adaptation by Optical Flow Augmentation in Semantic Segmentation},
author = {Oluwafemi Azeez},
journal= {arXiv preprint arXiv:1911.09652},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1910.10369 by other authors