ADAS: Eine Direkte Anpassungsstrategie für die Mehrziel-Domänenadaptive Semantische Segmentierung

In dieser Arbeit stellen wir eine direkte Anpassungsstrategie (Direct Adaptation Strategy, ADAS) vor, die darauf abzielt, ein einzelnes Modell direkt an mehrere Zielbereiche in einer semantischen Segmentierungsaufgabe anzupassen, ohne vortrainierte bereichsspezifische Modelle zu verwenden. Dazu entwickeln wir ein Netzwerk für die Übertragung auf mehrere Zielbereiche (Multi-Target Domain Transfer Network, MTDT-Net), das visuelle Attribute über Bereiche hinweg ausrichtet, indem es die bereichstypischen Merkmale durch ein neues Modul zur zielbereichsanpassenden Denormalisierung (Target Adaptive Denormalization, TAD) überträgt. Des Weiteren schlagen wir eine bidirektionale adaptive Regionenselektion (Bi-directional Adaptive Region Selection, BARS) vor, die die Attribut-Unklarheit zwischen den Klassenbezeichnungen reduziert, indem sie Regionen mit konsistenten Merkmalsstatistiken adaptiv auswählt. Wir zeigen, dass unser einzelnes MTDT-Net visuell ansprechende domänentransferierte Bilder mit komplexen Fahrzeugdatensätzen synthetisieren kann und BARS effektiv die überflüssigen Bereiche der Trainingsbilder für jede Zieldomäne filtert. Durch die Zusammenarbeit von MTDT-Net und BARS erreicht unsere ADAS den aktuellen Stand der Technik bei der Anpassung an mehrere Zielbereiche (Multi-Target Domain Adaptation, MTDA). Nach bestem Wissen ist unsere Methode die erste MTDA-Methode, die sich direkt an mehrere Bereiche in der semantischen Segmentierung anpasst.