语义分割无监督、半监督学习

Instance Adaptive Self-Training for Unsupervised Domain Adaptation（ECCV2020）

https://arxiv.org/abs/2008.12197

标记的训练数据和未标记的测试数据之间的差异是当前深度学习模型面临的一个重大挑战。无监督域适应（UDA）试图解决这一问题。最近的研究表明，自我训练是一种有效的方法。然而，现有的方法很难平衡可伸缩性和性能。本文针对UDA的语义分割问题，提出了一种实例自适应的UDA自学习框架。为了有效地提高伪标签的质量，我们提出了一种新的带有实例自适应选择器的伪标签生成策略。此外，我们提出区域引导正则化来平滑伪标签区域和锐化非伪标签区域。该方法简洁高效，易于推广到其他无监督域自适应方法中。在“GTA5到城市景观”和“SYNTHIA到城市景观”的实验表明，与最先进的方法相比，我们的方法具有优越的性能。