Online Domain Adaptation for Semantic Segmentation in Ever-Changing Conditions

要約

教師なしドメイン適応（UDA）は、トレーニングデータとテストデータの間のドメインギャップを減らすことを目的としており、ほとんどの場合、オフラインで実行されます。
ただし、ドメインの変更は、展開中に継続的かつ予測できない形で発生する可能性があります（突然の天候の変化など）。
このような状況では、深いニューラルネットワークは精度の劇的な低下を目撃し、オフライン適応はそれを対比するのに十分ではないかもしれません。
この論文では、セマンティックセグメンテーションのためのオンラインドメイン適応（OnDA）に取り組みます。
漸進的または突然の継続的なドメインシフトに対して堅牢なパイプラインを設計し、雨や霧のシナリオの場合にそれを評価します。
私たちの実験は、私たちのフレームワークが、以前のドメインの壊滅的な忘却の影響を受けずに、展開中に新しいドメインに効果的に適応できることを示しています。

要約(オリジナル)

Unsupervised Domain Adaptation (UDA) aims at reducing the domain gap between training and testing data and is, in most cases, carried out in offline manner. However, domain changes may occur continuously and unpredictably during deployment (e.g. sudden weather changes). In such conditions, deep neural networks witness dramatic drops in accuracy and offline adaptation may not be enough to contrast it. In this paper, we tackle Online Domain Adaptation (OnDA) for semantic segmentation. We design a pipeline that is robust to continuous domain shifts, either gradual or sudden, and we evaluate it in the case of rainy and foggy scenarios. Our experiments show that our framework can effectively adapt to new domains during deployment, while not being affected by catastrophic forgetting of the previous domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google