Ein neuartiges unsupervised Domain-Adaptationsverfahren für tiefenbasierte semantische Segmentierung mittels grob-zu-fein-Ausrichtung

Domain-Adaptationsmethoden im maschinellen Lernen behandeln das Problem des Domänenverschiebungs durch die Ausrichtung der Darstellungen von Quell- und Zieldaten. In diesem Artikel wird eine neuartige Domain-Adaptationsmethode für die semantische Segmentierung vorgestellt, die die Fourier-Transformation im chromatischen Raum nutzt, um die Qualität der Stilübertragung zu verbessern, und Pseudolabels für das Self-Training erzeugt, indem die Ergebnisse verschiedener Lehrmodelle, die in unterschiedlichen Runden des Self-Trainings gewonnen wurden, kombiniert werden. Zudem wird ein klassenbasiertes adversariales Lernen eingesetzt, um eine feinere Ausrichtung zwischen den beiden Domänen zu erreichen, sowie eine späte Fusion mit einem Tiefenschätzmuster, um die Segmentierungsergebnisse weiter zu verbessern. Experimente zeigen, dass unsere Methode im Vergleich zu anderen bestehenden State-of-the-Art-Methoden eine überlegene Genauigkeit erzielt.