解锁域间协同效应,以实现域间适应性语义细分

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:

• 无监督域调整语义细分 (UDASS) 在标记源数据上训练模型,用于未标记的目标数据.
• 自训练方法具有竞争力,但往往需要额外的数据来修复不可靠的伪标签.
• 现有的方法忽略了源数据和目标数据之间的关键跨领域相互作用.

研究的目的:

• 提出解锁跨领域协同效应 (UCDS),这是UDASS的一种新方法.
• 在没有额外的培训资源的情况下生成高信心的伪标签.
• 为了有效地利用跨领域的互动.

主要方法:

• 引入了一个动态自我校正 (DSC) 模块用于知识传输和伪标签生成.
• 开发了针对目标域的动态噪音标签检测方法.
• 实施了一种双银行机制,具有权重重新分配自我纠正和消极纠正预防.
• 拟议的基于差异的对比学习 (DCL) 增强特征歧视,避免虚假负面.

主要成果:

• 与最先进的方法相比,拟议的UCDS方法表现出优越的性能.
• 在三个基准数据集上进行了广泛的实验,验证了UCDS的有效性.
• 该方法成功地产生了高可靠性的伪标签,并提高了特征的可区分性.

结论:

• 通过实现跨领域协同作用,UCDS有效地解决了现有的UDASS方法的局限性.
• 新的DSC模块和DCL增强了伪标签质量和特征学习.
• 在语义细分中,UCDS为推进无监督域适应提供了一个有希望的方向.