通过多阶段自训练提高无源语义分割的测试时间效率

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Improving Test-Time Efficiency in Source-Free Semantic Segmentation via Multi-Stage Self-Training

提出UniSFDA框架，结合跨模型迁移学习、不确定性感知伪标签融合和域内风格增强，解决源域自适应语义分割中的噪声问题，提升分割准确性和测试效率，实验验证在GTA5和SYNTHIA Cityscapes上表现优异。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

无需源数据即可进行领域自适应语义分割，该方法旨在将基于源领域训练的模型适配到目标领域。自我训练已成为解决这一挑战性问题的主要方法。然而，如果没有强大的去噪机制来减少伪标签中的噪声，模型仍然容易产生偏差。大多数现有方法通过引入新的架构来解决这个问题，但往往以增加模型复杂性或依赖额外输入模式为代价。与以往的研究不同，本文提出了UniSFDA，这是一个统一的多阶段自我训练框架，它整合了跨模型迁移学习、基于不确定性的伪标签融合和领域内风格增强，从而提高了分割精度和测试时的效率。我们提出的框架具有极高的灵活性，每个组件都是独立的，可以轻松集成到任何现有的自我训练框架中。此外，我们还研究了在框架内各种代表性分割模型（包括DeepLabv2、SegFormer、DFormer和ViT-Adapter）的性能。值得注意的是，UniSFDA对模型具有通用性，允许源网络和目标网络使用任意的分割架构进行实例化，因此能够轻松受益于未来分割模型的进步。在GTA5城市景观和SYNTHIA城市景观基准测试中的实验证明了我们框架的有效性。以DeepLabv2（SegFormer）作为源模型，UniSFDA在两个基准测试中分别取得了61.8%（65.4%）和57.9%（59.6%）的mIoU分数。

AI摘要

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。