基于低层边缘信息迁移的语义分割无监督域适应
计算机视觉与模式识别
2021-09-21 v1
摘要
语义分割的无监督域适应旨在使在合成数据（源域）上训练的模型适应真实图像（目标域）。以往的特征级对抗学习方法仅考虑在高层语义特征上适应模型。然而，源域与目标域在高层语义特征上的巨大域差距使得精确适应困难。本文中，我们首次尝试显式地使用具有较小域间差距的低层边缘信息来引导语义信息的迁移。为此，提出了一种语义-边缘域适应架构，其使用独立的边缘流来处理边缘信息，从而在目标域上生成高质量的语义边界。然后，提出一种边缘一致性损失，将目标语义预测与生成的语义边界对齐。此外，我们进一步分别为语义对抗学习和自监督学习提出了两种熵重加权方法，可进一步增强我们架构的适应性能。在两个 UDA 基准数据集上的综合实验证明了我们的架构相对于最先进方法的优越性。
引用
@article{arxiv.2109.08912,
title = {Unsupervised Domain Adaptation for Semantic Segmentation via Low-level Edge Information Transfer},
author = {Hongruixuan Chen and Chen Wu and Yonghao Xu and Bo Du},
journal= {arXiv preprint arXiv:2109.08912},
year = {2021}
}