计算机辅助设计与图形学学报

作者：卢加文, 史金龙, 诸皓伟, 孙蕴瀚, 成志刚

关键词：无监督领域自适应, 语义分割, 多任务学习, 深度估计

为了提高语义分割精度, 解决模型在不同数据域上泛化性差的问题, 提出基于深度信息的无监督领域自适应语义分割方法.首先, 深度感知自适应框架通过捕捉深度信息和语义信息的内在联系, 减小不同域之间的差异; 然后, 设计了一个轻量级深度估计网络来提供深度信息, 通过跨任务交互策略融合深度和语义信息, 并在深度感知空间对齐源域和目标域的分布差距; 最后, 提出基于深度信息的域内自适应策略弥合目标域内部的分布差异, 将目标域分为子源域和子目标域, 并缩小子源域和子目标域分布差距.实验结果表明, 所提方法在SYNTHIA-2-Cityscapes和SYNTHIA-2-Mapillary跨域任务上的平均交并比分别为46.7%和73.3%, 与同类方法相比, 该方法在语义分割和深度估计精度上均有显著提升.

来源：2024年第1期

《计算机辅助设计与图形学学报》期刊编辑部

查看计算机辅助设计与图形学学报杂志2024年第1期