前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >ECCV2018|DCAN论文详解domain adaptation语义分割

ECCV2018|DCAN论文详解domain adaptation语义分割

作者头像
AI深度学习求索
发布2018-12-11 16:56:27
1.2K1
发布2018-12-11 16:56:27
举报
文章被收录于专栏:AI深度学习求索

论文: DCAN: Dual Channel-wise Alignment Networks for Unsupervised Scene Adaptation

会议:ECCV

架构:

挑战:

(1)DCNN在语义分割上获得进展依赖于大量的耗费人工的标注;

(2)若是可以利用生成数据和它易获取的标签进行训练,在真实数据集上进行迁移测试,这样则可以解决标注的问题,但是这样的方式又有新的问题;

(3)训练模型的泛化能力以及域间差异domain shift限制了分割的准确性

目前,很多工作都在尽力减小domain shift

方法:

(1)通过在low-level和high-level上进行channel-wise alignment,从而减小domain difference

(2)channel-wise alignment:对齐特征的同时,保留了图片的空间结构和语义信息,可应用于分割

网络详解:

(1)Channel-wise Feature Alignment

1)数据分布的均值和方差表示图片的style;

2)使用adaptive instance normalization方法,对齐source domain和target domain中图片每个channel map的特征。

3)Channel-wise Feature Alignment针对channel 对齐图片信息,确保语义信息编码在不同的channel中,两个网络均使用了这个方式。

(2)Dual Channel-wise Alignment Networks

Image generator:

(1)输入source image和target image,通过encoder-decoder生成具有source image 内容和target image 风格的图片。

(2)encoder:

具体结构:

如图中所示,source image和target image输入encoder,得到编码的特征,在这里根据target image的特征的均值和方差对source image特征的均值和方差进行channel-wise对齐,通过decoder生成内容上与source image相似,而风格上与target image 相似的图片。

Loss:

Segmentation Network:

网络:Deeplab,FCN,SegNet等前3个stage为encoder,后2个stage为decoder

分割网络使用生成图片和label作为数据集,使用target图片作为提供channel-wise feature aligment的图片,对segmentation network进行训练。

Loss:多类交叉熵函数

(3)Optimization:

(1)target domain中的每一张图片均代表一种style,但是若将source imsge与每一张target image进行训练,则太耗费计算资源

(2)使用source image和target domain中的随机一张图片进行训练

最终损失函数:

测试:

仅使用Segmentation Network,输入target image 输出分割map

分割结果:

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-12-02,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI深度学习求索 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档