|
|
| FCS | 绿色通道： 基于扰动不变性表征和可迁移原型的少样本域自适应 |
|
论文标题：Toward few-shot domain adaptation with perturbation-invariant representation and transferable prototypes
期刊：Frontiers of Computer Science
作者：Junsong FAN , Yuxi WANG , He GUAN , Chunfeng SONG , Zhaoxiang ZHANG
发表时间：27 Apr 2022
DOI：10.1007/s11704-022-2015-7
微信链接：点击此处阅读微信文章
为了促进优秀科研成果快速发表，FCS 对满足一定条件的顶会拒稿特别设置“绿色通道”。详情见：征 稿 | 顶会论文绿色通道。
“绿色通道”稿件将于同行评议一个月内获得审稿结果，并于接收后三个月内在线发表。
热忱欢迎您投稿。
导读
语义分割的域自适应（DA）旨在减少密集像素级预测任务的标注负担。它专注于解决域差异问题，设法将从丰富的源数据中学到的知识转移到新的目标场景中。尽管最近的工作在该领域取得了快速进展，但由于在目标域中没有任何可用的标注提示，它们的性能仍然远远低于完全监督模型。考虑到在实际应用中小样本标注的获取成本低廉，我们尝试利用它们来缩小DA方法和完全监督方法之间的性能差距。这个问题的关键是利用少样本标签来有效地学习鲁棒的、具有跨域不变性的预测。为此，我们首先设计了一种数据扰动策略来增强表征的鲁棒性。此外，提出了一种可迁移的原型模块，以弥合源数据和少样本目标数据之间的域差异。通过这些提出的方法，我们的方法在某种程度上可以与完全监督的模型相媲美。我们通过扩展实验来证明所提出方法的有效性，并在两个广为流行的DA任务上，即从GTA5到Cityscapes和SYNTHIA到Cityscapes的域迁移任务上，取得了最新的性能。
文章精要
摘要
Domain adaptation (DA) for semantic segmentation aims to reduce the annotation burden for the dense pixel-level prediction task. It focuses on tackling the domain gap problem and manages to transfer knowledge learned from abundant source data to new target scenes. Although recent works have achieved rapid progress in this field, they still underperform fully supervised models with a large margin due to the absence of any available hints in the target domain. Considering that few-shot labels are cheap to obtain in practical applications, we attempt to leverage them to mitigate the performance gap between DA and fully supervised methods. The key to this problem is to leverage the few-shot labels to learn robust domain-invariant predictions effectively. To this end, we first design a data perturbation strategy to enhance the robustness of the representations. Furthermore, a transferable prototype module is proposed to bridge the domain gap based on the source data and few-shot targets. By means of these proposed methods, our approach can perform on par with the fully supervised models to some extent. We conduct extensive experiments to demonstrate the effectiveness of the proposed methods and report the state-of-the-art performance on two popular DA tasks, i.e., from GTA5 to Cityscapes and SYNTHIA to Cityscapes.
相关内容推荐：
基于硬盘的Pay-as-you-go 记录链接 2022 16(4)：164340
基于危险经验规划的安全防护模型改进深度强化学习 2022 16(4)：164320
从二次神经网络动力学理解深度学习 2022 16(3)：163313
人脸掩膜引导的多样化人脸图像合成 2022 16(3)：163311
基于图卷积网络的局部特征聚合算法 2022 16(3)：163309
迈向更好的实体链接 2022 16(2)：162308
基于深度学习网络的侧信道攻击 2022 16(2)：162303
DeepM6ASeq-EL: 基于LSTM网络和集成学习预测人类m6A甲基化位点 2022 16(2)：162302
基于标记分布的多模态机器学习 2022 16(1)：161306
基于深度层叠式表征的高效三维点云理解网络 2022 16(1)：161301
L3-值命题逻辑的单调Gentzen推理系统和非单调Gentzen推理系统 2021 15(3)：153401
Frontiers of Computer Science
Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；入选“中国科技期刊卓越行动计划项目”。
《前沿》系列英文学术期刊
由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、 、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中13种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。
中国学术前沿期刊网
http://journal.hep.com.cn
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
