合成数据缺失了什么：结合弱监督的深度自适应用于室内场景解析
计算机视觉与模式识别
2019-03-26 v1
摘要
场景解析是使自主系统能够理解并与周围环境交互的关键步骤。有监督深度学习方法在解决场景解析问题上取得了巨大进展，但代价是繁琐的人工像素级标注。为了减轻这一负担，合成数据和弱监督均已被研究。然而，合成生成的数据仍然存在严重的领域偏移，而弱标签往往不够精确。此外，大多数现有的弱监督场景解析工作局限于显著的前景目标。因此，本文的目标有两方面：在可行的地方利用合成数据，并在必要的地方结合弱监督。更具体地说，我们通过利用深度作为迁移领域来实现这一目标，因为其合成到真实的差异远小于颜色。同时，我们利用易于获取的图像级标签进行弱定位，并使用一种新颖的基于轮廓的方案将两者结合起来。我们的方法被实现为一个师生学习框架，通过生成伪真值来解决迁移学习问题。仅使用基于深度的自适应，该方法在流行的室内场景解析 SUN RGB-D 数据集上就已经超越了以往的迁移学习方法。与之前迁移学习领域的 SOTA 相比，我们提出的两阶段结合方法将向全监督方法逼近的差距缩小了一半以上。
引用
@article{arxiv.1903.09781,
title = {What Synthesis is Missing: Depth Adaptation Integrated with Weak Supervision for Indoor Scene Parsing},
author = {Keng-Chi Liu and Yi-Ting Shen and Jan P. Klopp and Liang-Gee Chen},
journal= {arXiv preprint arXiv:1903.09781},
year = {2019}
}
备注
10 pages, 4 figures