Learning to Adapt Structured Output Space for Semantic Segmentation
會議 ：CVPR2018
任務：domain adaptation segmentation
任務詳解：domain adaptation segmentation使用已有像素級別標籤的gta5數據集（遊戲場景圖片）訓練分割網絡，然後利用這個分割網絡分割現實場景圖片。雖然source domain（遊戲場景）和Target Domain（現實場景）在圖片外觀上有較大差異，但是在分割標籤上具有一定相似性。
根據source Domain訓練的網絡，輸入target domain 的圖片It也能生成粗糙的分割結果Pt，但從結果中可以看到分割結果中存在很多噪聲。這被稱為domain shift.
目前domain adaptation segmentation方法大多研究如何減小domain shift，使得可以使用遊戲場景圖片訓練得到的模型分割現實場景中的圖片。
論文方法：
①使用source Domain的images和label對Segmentation Network進行全監督訓練得到訓練好的分割模型,對於訓練完成的網絡，輸入source domain 的圖片Is可以輸出預測的分割標籤Ps。
②將target domain的Images 輸入分割網絡得到初步的分割標籤Pt。
③將現實圖片得到的初步分割結果Pt和遊戲場景圖片分割結果Ps輸入判別器網絡進行判別訓練，期望最終得到的Pt和Ps分佈接近，從而消除Pt中的噪聲獲得比較好的分割結果。
網絡架構：
使用判別器進行訓練，目標使得target domain中的Pt和source domain 中的Ps,具有相近的分佈，從下圖結果中可以看到該方法平滑了很多噪聲。
總結：這篇論文通過domain adaptation 的方法，使得target domain中的圖片可以生成較好的具有Ps分佈特性的分割結果，但是網絡也只能學到Ps分佈中物體佈局的特性，例如可以很好的平滑噪聲，但是對於物體分割的邊界，則存在一定的誤差。
閱讀更多 AI深度學習求索 的文章
