具有多域判别器与自适应自训练的无监督域适应
计算机视觉与模式识别
2020-04-28 v1 机器学习
摘要
无监督域适应（UDA）旨在提升在源域上训练、以在无可用的有标签数据的目标域上表现良好的模型的泛化能力。本文中，我们考虑城市场景的语义分割，并提出一种方法，将基于合成数据训练的深度神经网络适配到真实场景，以解决两个不同数据分布之间的域偏移。我们引入一种新颖的 UDA 框架，其中对标记合成数据的标准监督损失由对抗模块和旨在对齐两域分布的自训练策略支撑。对抗模块由一对处理不同域的全卷积判别器驱动：第一个区分真值图与生成图，第二个区分来自合成或真实世界数据的分割图。自训练模块利用判别器对无标签数据估计的置信度来选择用于强化学习过程的区域。此外，置信度通过基于每类总体置信度的自适应机制进行阈值化。实验结果证明了所提策略在将诸如 GTA5 和 SYNTHIA 等合成数据集上训练的分割网络适配到诸如 Cityscapes 和 Mapillary 等真实世界数据集上的有效性。
引用
@article{arxiv.2004.12724,
title = {Unsupervised Domain Adaptation with Multiple Domain Discriminators and Adaptive Self-Training},
author = {Teo Spadotto and Marco Toldo and Umberto Michieli and Pietro Zanuttigh},
journal= {arXiv preprint arXiv:2004.12724},
year = {2020}
}
备注
8 pages, 3 figures, 2 tables