Cross-Region Domain Adaptation für Class-level Alignment

Die semantische Segmentierung erfordert eine große Menge an Trainingsdaten, was kostenintensive Annotationen erforderlich macht. Es gibt zahlreiche Studien zum unüberwachten Domänenübertragungsansatz (Unsupervised Domain Adaptation, UDA) von einer Domäne auf eine andere, beispielsweise von computergenerierten Bildern auf reale Bilder. Dennoch besteht weiterhin eine Lücke in der Genauigkeit zwischen UDA und überwachtem Training auf nativen Domänen-Daten. Dies lässt sich vermutlich auf eine klassenbasierte Fehlanpassung zwischen Quell- und Ziel-Domänen-Daten zurückführen. Um diesem Problem zu begegnen, schlagen wir eine Methode vor, die adversariales Training einsetzt, um zwei Merkmalsverteilungen in der Ziel-Domäne zu alignieren. Dabei nutzt das Verfahren einen Self-Training-Ansatz, um das Bild in zwei Regionen zu unterteilen (nämlich vertrauenswürdige und unvertrauenswürdige Regionen), die jeweils eine Verteilung im Merkmalsraum bilden, die aligniert werden soll. Wir bezeichnen diesen Ansatz als Cross-Region-Adaptation (CRA), um ihn von früheren Methoden zur Alignierung unterschiedlicher Domänenverteilungen, die wir Cross-Domain-Adaptation (CDA) nennen, zu unterscheiden. CRA kann nach beliebigen CDA-Methoden angewendet werden. Experimentelle Ergebnisse zeigen, dass dies stets die Genauigkeit der kombinierten CDA-Methode verbessert und die bisher beste Leistung (state-of-the-art) erreicht.