用于去层 IC 图像分析、基于直方图门控图像翻译的无监督域适应
计算机视觉与模式识别
2022-09-28 v1
摘要
深度学习通过采用卷积神经网络（CNN）分割电路结构，在具有挑战性的电路标注任务中取得了巨大成功。深度学习方法需要大量人工标注的训练数据以获得良好性能，若将在给定数据集上训练的深度学习模型应用于不同数据集，可能导致性能下降。这通常被称为电路标注的域偏移问题，其源于不同图像数据集间分布可能存在的巨大差异。不同图像数据集可来自不同设备，或单一设备内的不同层。为解决域偏移问题，我们提出直方图门控图像翻译（HGIT），一种无监督域适应框架，将给定源数据集的图像转换至目标数据集的域，并利用转换后的图像训练分割网络。具体地，我们的 HGIT 执行基于生成对抗网络（GAN）的图像翻译，并利用直方图统计进行数据筛选。实验在单一有标注源数据集适配至三个不同目标数据集（无训练标注）上进行，并对各目标数据集的分割性能进行评估。我们证明了相较已报道的域适应技术，我们的方法取得最佳性能，并且也合理接近于全监督基准。
引用
@article{arxiv.2209.13479,
title = {Unsupervised Domain Adaptation with Histogram-gated Image Translation for Delayered IC Image Analysis},
author = {Yee-Yang Tee and Deruo Cheng and Chye-Soon Chee and Tong Lin and Yiqiong Shi and Bah-Hwee Gwee},
journal= {arXiv preprint arXiv:2209.13479},
year = {2022}
}
备注
7 pages, 4 figures, To be presented at IEEE PAINE 2022 (oral)