【文件属性】：
文件名称：ProDA:用于域自适应语义分割的原型伪标签去噪和目标结构学习（CVPR 2021）
文件大小：983KB
文件格式：ZIP
更新时间：2021-05-04 18:44:57
deep-learning neural-network semi-supervised-learning semantic-segmentation domain-adaptation
用于域自适应语义分割的原型伪标签去噪和目标结构学习（CVPR 2021，官方Pytorch实施）
，，，，，。
抽象的
自训练是域自适应分割中的一种竞争方法，该方法使用目标域上的伪标签训练网络。 但是，由于源域和目标域之间的差异，伪标签不可避免地会产生噪音，并且目标特征也会分散。 在本文中，我们依靠具有代表性的原型（类的特征质心）来解决无监督域自适应的两个问题。 尤其是，我们更进一步，利用距原型的特征距离，这些距离提供了比单纯的原型更丰富的信息。 具体来说，我们使用它来估计伪标签的可能性，以在训练过程中促进在线校正。 同时，我们基于相同目标的两个不同视图的相对特征距离对齐原型分配，从而产生更紧凑的目标特征空间。 此外，我们发现将已经学习的知识提炼为自我监督的预训练模型可以进一步提高性能。 与最先进的方法相比，我们的方法显示出巨大的性能优势。
安装
安装依赖项：
pip install -
【文件预览】：
ProDA-main
----models()
--------sync_batchnorm()
--------utils.py(3KB)
--------adaptation_modelv2.py(23KB)
--------discriminator.py(7KB)
--------deeplabv2.py(14KB)
----SUPPORT.md(1KB)
----docs()
--------compare.png(704KB)
--------diagram.png(226KB)
----utils.py(824B)
----data()
--------randaugment.py(10KB)
--------augmentations.py(14KB)
--------gta5_dataset.py(7KB)
--------cityscapes_dataset.py(10KB)
--------synthia_dataset.py(6KB)
--------__init__.py(4KB)
--------base_dataset.py(6KB)
--------DataProvider.py(1KB)
----test.py(3KB)
----train.py(8KB)
----metrics.py(2KB)
----SECURITY.md(3KB)
----LICENSE(1KB)
----parser_train.py(5KB)
----requirements.txt(119B)
----.gitignore(2KB)
----CODE_OF_CONDUCT.md(444B)
----README.md(10KB)
----generate_pseudo_label.py(5KB)
----calc_prototype.py(7KB)