DACS: Domänenanpassung durch gemischte Stichprobenüber Domänen hinweg

Semantische Segmentierungsmodelle auf Basis von Faltungsneuralen Netzen haben in jüngster Zeit für eine Vielzahl von Anwendungen bemerkenswerte Leistungen erzielt. Allerdings generalisieren diese Modelle typischerweise nicht gut, wenn sie auf neuen Domänen angewendet werden, insbesondere wenn der Übergang von synthetischen zu realen Daten erfolgt. In diesem Paper behandeln wir das Problem des unsupervisierten Domänenadaptations (Unsupervised Domain Adaptation, UDA), bei dem ein Modell an gelabelten Daten aus einer Domäne (Quelldomäne) trainiert wird und gleichzeitig aus ungelabelten Daten in der Ziel-Domäne (Zieldomäne) lernt. Bestehende Ansätze haben Erfolg damit erzielt, an sogenannten Pseudolabels für die ungelabelten Bilder zu trainieren. Mehrere Techniken wurden vorgeschlagen, um die durch den Domänenversatz entstehenden geringwertigen Pseudolabels zu mildern, mit jeweils unterschiedlichem Erfolg. Wir stellen DACS: Domain Adaptation via Cross-domain mixed Sampling vor, das Bilder aus beiden Domänen sowie die entsprechenden Labels und Pseudolabels mischt und diese gemischten Samples zusätzlich zu den originären gelabelten Daten zum Training nutzt. Wir zeigen die Wirksamkeit unseres Ansatzes durch Erreichen von State-of-the-Art-Ergebnissen beim Benchmark GTA5 zu Cityscapes, einem etablierten synthetisch-zu-realem Benchmark für UDA in der semantischen Segmentierung.