面向城市场景语义分割的弱监督对抗域适应
计算机视觉与模式识别
2019-04-22 v1
摘要
语义分割作为一种像素级视觉任务，借助卷积神经网络（CNNs）快速发展。训练 CNNs 需要大量标注数据，但人工标注数据十分困难。为解放人力，近年来发布了一些合成数据集。然而，它们与真实场景仍存在差异，导致在合成数据（源域）上训练的模型无法在真实城市场景（目标域）上取得良好性能。本文提出一种弱监督对抗域适应方法，以改善从合成数据到真实场景的分割性能，其由三个深度神经网络组成。具体而言，一个检测与分割（简称“DS”）模型专注于检测物体并预测分割图；一个像素级域分类器（简称“PDC”）试图区分图像特征来自哪个域；一个物体级域分类器（简称“ODC”）判别物体来自哪个域并预测物体类别。PDC 和 ODC 作为判别器，DS 被视为生成器。通过对抗学习，DS 应学习到域不变特征。实验中，我们提出的方法在同一问题上刷新了 mIoU 指标的新纪录。
引用
@article{arxiv.1904.09092,
title = {Weakly Supervised Adversarial Domain Adaptation for Semantic Segmentation in Urban Scenes},
author = {Qi Wang and Junyu Gao and Xuelong Li},
journal= {arXiv preprint arXiv:1904.09092},
year = {2019}
}
备注
To appear at TIP