Bidirektionales Lernen für die Domänenanpassung von semantischer Segmentierung

Die Domänenanpassung für die semantische Bildsegmentierung ist sehr notwendig, da das manuelle Beschriften großer Datensätze mit pixelgenauen Labels kostspielig und zeitaufwendig ist. Bestehende Techniken der Domänenanpassung funktionieren entweder nur auf begrenzten Datensätzen oder erzielen im Vergleich zu überwachtem Lernen nicht so gute Leistungen. In dieser Arbeit schlagen wir ein neues bidirektionales Lernframework für die Domänenanpassung von Segmentierungen vor. Durch das bidirektionale Lernen können das Bildübersetzungsmodell und das Segmentierungsanpassungsmodell abwechselnd gelernt werden und sich gegenseitig verbessern. Darüber hinaus schlagen wir einen selbstüberwachten Lernalgorithmus vor, um ein besseres Segmentierungsanpassungsmodell zu lernen und damit wiederum das Bildübersetzungsmodell zu verbessern. Experimente zeigen, dass unsere Methode bei der Domänenanpassung von Segmentierungen deutlich über den aktuellen Stand der Technik hinausgeht. Der Quellcode ist unter https://github.com/liyunsheng13/BDL verfügbar.