lixuegouzi的博客

本文的域位移是针对虚拟数据和真实数据之间的。 本文的贡献是：（1）提出了一种语义分割的双向学习系统，它是一个学习分割适应模型和图像翻译模型的闭环学习系统。（2）对于语义分割，提出了一种基于翻译结果的自监督学习算法，该算法在特征层次上逐步调整目标域和源域。（3）在图像到图像的翻译中引入了感知损失，通过更新分割自适应模型来监督图像翻译的过程。 ...

目前方法的缺陷：只顾及了源域和目标域之间的边缘分布，没有顾及源域和目标域之间的联合概率分布，不仅对齐不好，而且会把已经对齐的特征进行负迁移。为了解决全局对抗学习的局限性，提出了类别级的对抗网络。 本文贡献如下： （1）通过提出对不同特征的对抗损失进行自适应加权，强调了类别级特征对齐对减少域移位的重要性。 （2）论文结果与最先进的UDA（unsupervised domain adaptation）...

论文地址：https://arxiv.org/abs/1802.10349 代码地址：https://github.com/wasidennis/AdaptSegNet 首先是基于pixel-level的理由：一方面，与基于特征描述图像全局视觉信息的图像分类不同，用于语义分割的高维特征编码了复杂的表示。因此，在特征空间中进行自适应不一定是语义分割的最佳选择。另一方面，虽然分割输出是在低维空间中，但...