Chen, M.; Xue, H.; Cai, D. Domain Adaptation for Semantic Segmentation With Maximum Squares Loss. Proc. of International Conference on Computer Vision (ICCV), 2019

论文:https://arxiv.org/pdf/1909.13589.pdf
代码:https://github.com/ZJULearning/MaxSquareLoss
关键词: “**maximum squares loss**”

为了解决domain gap,更好的实现domain之间的分割域迁移,论文中提出了一种the entropy of the pixel-wise predictions,主要有两部分1. entropy loss 2.adversarial loss可以帮助分割网络进行更好的域迁移

Introduction

背景:在真实场景的运用中trianing数据集和testing数据集的分布往往是不一样的,具有很大的domain gap,导致了模型表现的很差。
作者认为模型在训练集上往往会over confidence而在不同分布的测试集上表现往往不够好,这种叫着low-entropy。如果在target domain上面也能表现的很好,叫做high-entropy。
解决办法:因此论文中提出了entropy of the pixel-wise predictions,主要有两部分1. entropy loss 2.adversarial loss可以帮助分割网络进行更好的域迁移

主要分为以下两个部分:

  • Direct entropy minimization using an entropy loss
  • Indirect entropy minimization using an adversarial loss.