体内记忆正则化的无监督场景自适应
计算机视觉与模式识别
2023-02-08 v3
摘要
我们考虑从无标签源数据和无标签目标数据中学习的无监督场景自适应问题。现有方法侧重于缩小源域与目标域之间的域间差距。然而，网络学到的域内知识和内在不确定性尚未得到充分探索。本文中，我们提出一种正交方法，称为体内记忆正则化（memory regularization in vivo），以利用域内知识并正则化模型训练。具体而言，我们将分割模型本身作为记忆模块，并缩小两个分类器（即主分类器和辅助分类器）的差异，以减少预测不一致性。所提方法无需额外参数，与大多数现有域自适应方法互补，并能普遍提升现有方法的性能。尽管简单，我们在两个合成到真实的基准上验证了记忆正则化的有效性：GTA5 -> Cityscapes 和 SYNTHIA -> Cityscapes，分别比基线模型提升 +11.1% 和 +11.3% mIoU。此外，在跨城市基准 Cityscapes -> Oxford RobotCar 上也观察到类似的 +12.0% mIoU 提升。
引用
@article{arxiv.1912.11164,
title = {Unsupervised Scene Adaptation with Memory Regularization in vivo},
author = {Zhedong Zheng and Yi Yang},
journal= {arXiv preprint arXiv:1912.11164},
year = {2023}
}
备注
7 pages, 4 figures, 6 tables (accepted by IJCAI 2020)