【论文研读】Category-level Adversaries for Semantics Consistent Domain Adaptation(cvpr2019)

本文介绍了语义分割和无监督域适应的背景,并提出了类别级别对抗性网络(CLAN),通过类别级别的对抗性损失和权重不一致损失,实现源域和目标域的语义一致性。实验在Cityscapes、GTA5和SYNTHIA数据集上进行,展示了CLAN的有效性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

原文链接:Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation

作者:Yawei Luo , Liang Zheng, Tao Guan , Junqing Yu , Yi Yang

一、背景知识介绍

1、语义分割:

1)定义:给定一张图片,对图片上的每一个像素点分类。

2)样本来源:昂贵的人工劳动所获得的大量密集像素级注释;另一种方法是使用模拟数据(如计算机生成的场景)

3)问题提出:使用模拟数据得到的图片与真实分割图像有不同的数据分布,通常称为域移位

2、无监督域适应(域迁移)

1)传统方法(TAN):对抗性学习,生成器被训练以产生混淆鉴别器的特征,判别器正确地分类两个域

即分类器将对于源域的样本判断为负类,目标域判断为正类。

总loss = Labv+Lseg

2)问题:当生成器完全骗过判别器时,它只是对齐了两个域的边际分布,而忽略了本地类别级别的分布转移

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值