基于自监督的语义分割域内无监督自适应
计算机视觉与模式识别
2020-07-16 v4 机器学习
机器人学
摘要
基于卷积神经网络的方法在语义分割中取得了显著进展。然而，这些方法严重依赖耗时耗力的标注数据。为应对此限制，使用图形引擎自动标注的数据来训练分割模型。然而，从合成数据训练的模型难以迁移到真实图像。为解决此问题，先前工作考虑直接将模型从源数据适配到无标签目标数据（以减小域间差距）。不过，这些技术未考虑目标数据自身之间的大分布差距（域内差距）。在这项工作中，我们提出一种两步自监督域适应方法，共同最小化域间与域内差距。首先，我们进行模型的域间适应；从该适应中，我们使用基于熵的排序函数将目标域分为简单和困难两部分。最后，为减小域内差距，我们提出采用从简单到困难部分的自监督适应技术。在众多基准数据集上的实验结果凸显了我们的方法相对于现有最先进方法的有效性。源代码见 https://github.com/feipan664/IntraDA.git。
引用
@article{arxiv.2004.07703,
title = {Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision},
author = {Fei Pan and Inkyu Shin and Francois Rameau and Seokju Lee and In So Kweon},
journal= {arXiv preprint arXiv:2004.07703},
year = {2020}
}
备注
Accepted to CVPR 2020 as an Oral Presentation. Code is available at https://github.com/feipan664/IntraDA