无源域调整用于使用内部表示的语义图像分割
Serban Stan1, Mohammad Rostami1
1Department of Computer Science, University of Southern California, Los Angeles, CA, United States.
Frontiers in big data
|July 3, 2024
概括
本研究介绍了一种用于语义细分的在线无监督域适应 (UDA) 算法. 它增强了对新数据的模型概括性,而不需要在适应过程中访问源数据.
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:
- 语义细分模型因随着时间的推移而改变数据分布而与性能退化作斗争.
- 重新训练模型通常是必要的,以保持新数据的准确性.
- 无监督域调整 (UDA) 通过将知识从标记的源域转移到未标记的目标域来解决这个问题.
研究的目的:
- 开发一个在线的UDA算法用于语义细分,从而提高模型的概括性.
- 为了使适应无注释的目标域与受限制的源数据访问.
- 加强语义细分模型的稳定性,以应对数据分布的变化.
主要方法:
- 在共享嵌入空间中最小化源和目标潜伏特征之间的分布距离.
- 为分类器通用化推广一个域不可知潜伏特征空间.
- 使用高斯混合模型 (GMM) 估计源隐藏特征分布,以避免在适应过程中直接访问源数据.
主要成果:
- 拟议的在线UDA算法增强了对不同数据分布的目标域的模型概括性.
- 该方法成功地适应语义细分模型,而无需在适应阶段访问源数据.
- 使用GMM作为源分布的替代品,在促进适应方面被证明是有效的.
结论:
- 开发的在线UDA方法为在动态环境中保持语义细分性能提供了可行的解决方案.
- 在调整过程中受限制的源数据访问通过近似的源分布来有效地管理.
- 这项工作有助于在现实应用中实现更强大,更适应的语义细分系统.
