硬件实例适应性自我训练,用于无监督的跨域语义细分

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:

• 深度学习模型面临的挑战是训练和测试集之间的数据分歧.
• 无监督域调整 (UDA) 通过调整模型以适应没有标记目标数据的新数据分布来解决这一问题.
• 自我训练是一种有前途的UDA技术,但现有的方法在可扩展性和性能权衡方面存在困难.

研究的目的:

• 提出一个新的硬意识实例适应性自我训练框架,用于语义细分的UDA.
• 提高自我培训过程中产生的伪标签的质量和多样性.
• 提高UDA模型的性能和概括能力.

主要方法:

• 开发了一个伪标签生成策略,使用实例自适应选择器.
• 引入了用于挑战性课程的使用图像间信息的硬意识伪标签增强.
• 实施了针对地区的适应性规范化,用于伪标签光滑和非伪标签利.
• 为加强监督,为非伪标签地区纳入一致性约束.

主要成果:

• 与最先进的方法相比,拟议的框架显示出更高的性能.
• 在具有挑战性的跨领域数据集上进行了实验:GTA5城市景观,SYNTHIA城市景观和城市景观牛津机器人汽车.
• 该方法有效地提高了伪标签的质量和模型的适应性.

结论:

• 硬意识实例自适应自训框架为语义细分中的UDA提供了简洁而高效的解决方案.
• 拟议的伪标签生成和增强技术显著提高了模型性能.
• 该框架是可通用的,并显示出各种UDA应用的强大潜力.