DADA: Tiefe-bewusste Domänenanpassung in der semantischen Segmentierung

Die unsupervisierte Domänenanpassung (UDA) ist für Anwendungen von großer Bedeutung, bei denen eine umfangreiche Annotation repräsentativer Daten schwierig ist. Insbesondere bei der semantischen Segmentierung hilft sie, Modelle auf echten "Zieldomänen"-Daten einzusetzen, die auf annotierten Bildern aus einer anderen "Quelldomäne" trainiert wurden, insbesondere einer virtuellen Umgebung. Die meisten bisherigen Arbeiten betrachten die semantische Segmentierung als die einzige Form der Überwachung für Quelldomänen-Daten und ignorieren dabei andere, möglicherweise verfügbare Informationen wie Tiefeninformationen. In dieser Arbeit streben wir an, solche privilegierten Informationen während des Trainings des UDA-Modells optimal zu nutzen. Wir schlagen ein einheitliches tiefenbewusstes UDA-Framework vor, das das Wissen über dichte Tiefeninformationen in der Quelldomäne auf verschiedene ergänzende Weise nutzt. Als Ergebnis wird die Leistung des trainierten Modells für die semantische Segmentierung in der Zieldomäne verbessert. Unser neuer Ansatz erreicht tatsächlich den Stand der Technik auf verschiedenen anspruchsvollen Benchmarks von synthetisch zu real.