Label Calibration for Semantic Segmentation Under Domain Shift

要約

事前トレーニングされたセマンティック セグメンテーション モデルのパフォーマンスは、新しいドメインからのデータでは大幅に低下する可能性があります。
ドメインシフトの下でソフトラベルプロトタイプを計算し、予測されたクラス確率を持つベクトルに最も近いプロトタイプに従って予測を行うことにより、事前トレーニングされたモデルをラベルのないターゲットドメインデータに適応できることを示します。
提案された適応手順は高速で、計算リソースに関してはほぼ無料で提供され、大幅なパフォーマンスの向上につながります。
我々は、非常に実用的な合成から実際のセマンティック セグメンテーション問題に対するこのようなラベル キャリブレーションの利点を実証します。

要約(オリジナル)

Performance of a pre-trained semantic segmentation model is likely to substantially decrease on data from a new domain. We show a pre-trained model can be adapted to unlabelled target domain data by calculating soft-label prototypes under the domain shift and making predictions according to the prototype closest to the vector with predicted class probabilities. The proposed adaptation procedure is fast, comes almost for free in terms of computational resources and leads to considerable performance improvements. We demonstrate the benefits of such label calibration on the highly-practical synthetic-to-real semantic segmentation problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google