MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation

要約

教師なしドメイン適応は、注釈付きデータが少ないタスクで広く採用されています。
残念ながら、ターゲット ドメインの分布をソース ドメインに無条件にマッピングすると、ターゲット ドメイン データの重要な構造情報が歪められ、パフォーマンスが低下する可能性があります。
この問題に対処するために、セマンティックセグメンテーションタスクに関するドメイン適応を支援するために、アクティブサンプル選択を導入することを最初に提案します。
単一の重心ではなく複数のアンカーを革新的に採用することにより、ソース ドメインとターゲット ドメインの両方をマルチモーダル分布としてより適切に特徴付けることができます。これにより、より補完的で有益なサンプルがターゲット ドメインから選択されます。
これらのアクティブなサンプルに手動で注釈を付けるためのワークロードがわずかであるだけで、ターゲット ドメインの分布の歪みが効果的に軽減され、パフォーマンスが大幅に向上します。
さらに、ロングテール分布の問題を軽減し、セグメンテーションのパフォーマンスをさらに改善するために、強力な半教師付きドメイン適応戦略が提案されています。
公開データセットで広範な実験が行われ、結果は、提案されたアプローチが最先端の方法よりも大幅に優れており、完全に監視された上限、つまり GTA5 で 71.4% mIoU および 71.8% mIoU と同様のパフォーマンスを達成することを示しています。
シンシアで。
各コンポーネントの有効性は、徹底的なアブレーション研究によっても検証されています。

要約(オリジナル)

Unsupervised domain adaption has been widely adopted in tasks with scarce annotated data. Unfortunately, mapping the target-domain distribution to the source-domain unconditionally may distort the essential structural information of the target-domain data, leading to inferior performance. To address this issue, we firstly propose to introduce active sample selection to assist domain adaptation regarding the semantic segmentation task. By innovatively adopting multiple anchors instead of a single centroid, both source and target domains can be better characterized as multimodal distributions, in which way more complementary and informative samples are selected from the target domain. With only a little workload to manually annotate these active samples, the distortion of the target-domain distribution can be effectively alleviated, achieving a large performance gain. In addition, a powerful semi-supervised domain adaptation strategy is proposed to alleviate the long-tail distribution problem and further improve the segmentation performance. Extensive experiments are conducted on public datasets, and the results demonstrate that the proposed approach outperforms state-of-the-art methods by large margins and achieves similar performance to the fully-supervised upperbound, i.e., 71.4% mIoU on GTA5 and 71.8% mIoU on SYNTHIA. The effectiveness of each component is also verified by thorough ablation studies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google