学习纹理不变的表示以进行语义分割的领域自适应

CVPRMar, 2020

学习纹理不变的表示以进行语义分割的领域自适应

Learning Texture Invariant Representation for Domain Adaptation of Semantic Segmentation

Myeongjin Kim, Hyeran Byun

TL;DR本文提出了一种使用风格迁移算法来多样化合成图像纹理，然后通过自训练来微调模型以适应目标域纹理的领域自适应方法，以实现更好的语义分割性能。

Abstract

Since annotating pixel-level labels for semantic segmentation is laborious, leveraging synthetic data is an attractive solution. However, due to the domain gap between synthetic domain and real domain, it is chal

semantic segmentation synthetic data domain adaptation style transfer self-training

发现论文，激发创造

利用合成数据进行学习：解决语义分割的领域偏移问题

该研究提出了一种基于生成对抗网络（GANs）的新方法，以改进分割网络所学到的表示在合成和真实领域中的自适应，证明了其具有广泛性和可扩展性。

Nov, 2017

单域广义分割的自适应纹理过滤

本文提出了一种新颖的自适应纹理过滤机制和具有结构引导增强模块的分层指导统一网络，用以学习领域 - 不变化的广义知识，以实现领域的普适性。在广泛使用的数据集上进行的大量实验和消融研究验证了所提出模型的有效性，并揭示了其优于其他最先进的替代品的优越性。

Mar, 2023

域风格迁移：一种强而简单的合成到真实图像域自适应基准线

通过对于一种现有的照片风格转换算法进行简单的修改，本文展示了应用于真实图像时的深度神经网络有效利用合成数据的方法，提高了合成图像到真实图像的领域适应性。我们在语义分割和物体检测的四个合成到真实的任务上进行了广泛的实验验证，展示了我们的方法在基于分割和物体检测的度量方面超越了任何当前的基于 GAN 的图像翻译方法的性能。此外，我们还通过距离分析方法，展示了我们的算法在缩小他们之间距离并且将合成数据转换为真实数据方面得到的显著效果。

Jul, 2018

面向现实的城市场景语义分割自适应技术

该论文提出了一种面向现实的域适应方法，通过学习合成数据，结合目标引导的蒸馏和空间感知的适应方案，可以提高语义分割网络从合成到真实城市场景的泛化能力。

Nov, 2017

从合成数据中学习语义分割：一种几何引导的输入输出适应方法

本研究利用合成数据中的几何信息，结合图像翻译网络和任务网络，通过对抗性训练同时进行深度估计和语义分割，有效地缩小域差距，实现了跨域语义分割的重大性能提高。

Dec, 2018

自监督的无监督领域内语义分割自适应

本文提出了一个两步自监督域自适应方法，以最小化域间和域内差距，首先进行模型的域间自适应，然后使用基于熵的排序函数将目标域分为易和难两部分，最终采用自监督自适应技术从易到难来降低域内差距。

Apr, 2020

城市场景语义分割中合成数据的有效使用

本文提出了一种无需真实图像数据的方法，通过修改前景和背景类的训练方法来适应合成图像，有效地训练出了适用于城市街景和驾驶场景的图像语义分割模型。