MADAv2:先进的多基主动域适应细分化

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 无监督的域调整对于具有有限注释数据的任务至关重要.
• 标准方法可能会扭曲目标域数据结构,降低性能.
• 语义细分经常面临由于域移动的挑战.

研究的目的:

• 改进无监督域适应用于语义细分.
• 为了减轻无条件分布映射引起的性能下降.
• 引入一个更有效的样本选择策略.

主要方法:

• 建议使用多个点进行主动抽样选择,以表征多式联络分布.
• 开发了一个半监督的域名适应策略,以解决长尾分布.
• 利用创新技术更好地表示源域和目标域.

主要成果:

• 通过减轻目标域分布扭曲,实现了显著的性能增长.
• 在公共数据集 (GTA5,SYNTHIA) 上超越了最先进的方法.
• 达到与完全监督方法相比的性能 (GTA5上的71.4% mIoU,SYNTHIA上的71.8% mIoU).

结论:

• 积极的样本选择有效地提高了无监督域的适应性.
• 拟议的半监督策略进一步提高了细分业绩.
• 该方法在语义细分任务中表现出卓越的有效性和稳定性.