用于语义分割的无监督域适应与伪标签自精炼
计算机视觉与模式识别
2023-12-27 v2 机器学习
摘要
基于深度学习的语义分割方案在测试数据特征与训练所用数据不同时，会出现显著的性能下降。使用来自新域的标注数据对模型进行适应并非总是可行。无监督域适应（UDA）方法对于这些模型在实际运行条件下的部署至关重要。近期最先进（SOTA）的 UDA 方法采用师生自训练方法，其中教师模型用于为新数据生成伪标签，进而指导学生模型的训练过程。尽管该方法已取得诸多成功，但其存在噪声伪标签在训练过程中被传播的问题。为解决此问题，我们提出一种辅助伪标签精炼网络（PRN），用于在线精炼伪标签并定位预测标签可能含噪的像素。由于能够提升伪标签质量并筛选高可靠标签，PRN 使得分割模型的自训练在不同适应阶段对伪标签噪声传播具有鲁棒性。我们在具有三种不同域偏移的基准数据集上评估了我们的方法，该方法一致地显著优于先前的最先进方法。
引用
@article{arxiv.2310.16979,
title = {Unsupervised Domain Adaptation for Semantic Segmentation with Pseudo Label Self-Refinement},
author = {Xingchen Zhao and Niluthpol Chowdhury Mithun and Abhinav Rajvanshi and Han-Pang Chiu and Supun Samarasekera},
journal= {arXiv preprint arXiv:2310.16979},
year = {2023}
}
备注
WACV 2024