ELDA: Using Edges to Have an Edge on Semantic Segmentation Based UDA

要約

ドメインの不変情報を利用してドメインのギャップを埋めるために、多くの教師なしドメイン適応 (UDA) メソッドが提案されています。
ほとんどのアプローチは、そのような情報として深さを選択し、目覚ましい成功を収めています。
その有効性にもかかわらず、UDA タスクでドメイン不変情報として深さを使用すると、抽出コストが過度に高くなったり、信頼できる予測品質を達成することが困難になったりするなど、複数の問題が発生する可能性があります。
その結果、Edge Learning based Domain Adaptation (ELDA) を導入します。これは、エッジ情報をトレーニング プロセスに組み込み、一種のドメイン不変情報として機能させるフレームワークです。
私たちの実験では、エッジ情報の組み込みが実際に有益で効果的であり、ELDA がセマンティック セグメンテーション ベースの UDA タスクに一般的に採用されている 2 つのベンチマークで最新の方法よりも優れていることを定量的および定性的に示しています。
さらに、ELDA が異なるクラスの特徴分布をより適切に分離できることを示します。
さらに、設計上の決定を正当化するためにアブレーション分析を提供します。

要約(オリジナル)

Many unsupervised domain adaptation (UDA) methods have been proposed to bridge the domain gap by utilizing domain invariant information. Most approaches have chosen depth as such information and achieved remarkable success. Despite their effectiveness, using depth as domain invariant information in UDA tasks may lead to multiple issues, such as excessively high extraction costs and difficulties in achieving a reliable prediction quality. As a result, we introduce Edge Learning based Domain Adaptation (ELDA), a framework which incorporates edge information into its training process to serve as a type of domain invariant information. In our experiments, we quantitatively and qualitatively demonstrate that the incorporation of edge information is indeed beneficial and effective and enables ELDA to outperform the contemporary state-of-the-art methods on two commonly adopted benchmarks for semantic segmentation based UDA tasks. In addition, we show that ELDA is able to better separate the feature distributions of different classes. We further provide an ablation analysis to justify our design decisions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google