基于内容迁移的语义分割无监督域适应
计算机视觉与模式识别
2020-12-24 v1
摘要
本文研究语义分割的无监督域适应（UDA），其目标是利用带标签的合成数据对无标签的真实数据进行分割。UDA 用于语义分割的主要问题依赖于缩小真实图像与合成图像之间的域差距。为解决该问题，我们聚焦于将图像中的信息分离为内容与风格。其中，仅有内容包含语义分割的线索，而风格造成了域差距。因此，对图像中内容与风格的精确分离，即使在使用合成数据学习时，也能起到如同真实数据监督的作用。为充分利用这一效果，我们提出了一种零风格损失（zero-style loss）。尽管我们能在真实域中完美提取用于语义分割的内容，另一主要挑战——类不平衡问题——在语义分割的 UDA 中依然存在。我们通过将尾部类的内容从合成域迁移到真实域来解决该问题。实验结果表明，所提方法在两种主要 UDA 设定下的语义分割中均达到了最先进的性能。
引用
@article{arxiv.2012.12545,
title = {Unsupervised Domain Adaptation for Semantic Segmentation by Content Transfer},
author = {Suhyeon Lee and Junhyuk Hyun and Hongje Seong and Euntai Kim},
journal= {arXiv preprint arXiv:2012.12545},
year = {2020}
}
备注
Accepted to AAAI 2021