自监督域适应：Learning from SAM: Harnessing a Segmentation Foundation Model for Sim2Real Domain Adaptation

论文作者：Mayara E. Bonani,Max Schwarz,Sven Behnke

作者单位：University of Bonn

论文链接：http://arxiv.org/abs/2309.15562v1

内容简介：

1）方向：自监督域适应

2）应用：机器人应用中的语义分割任务

3）背景：在机器人应用中，通常会出现目标领域的训练数据稀缺，且获取标注成本高昂的情况。

4）方法：本文提出一种自监督域适应的方法，其中有标注的源域数据可用，但目标域数据完全没有标注。利用分割基础模型（Segment Anything Model）获取未注释数据的分割信息。借鉴了无监督局部特征学习的最新进展，提出了一种不变性-方差损失结构，用于规范目标域中的特征表示。这种损失结构和网络架构可以处理Segment Anything生成的重叠分割和过分割问题。

5）结果：在具有挑战性的YCB-Video和HomebrewedDB数据集上，展示了所提出方法的优势，并表明它在性能上优于先前的工作，在YCB-Video数据集上甚至优于使用真实标注训练的网络。