Quellenfreie Domänenanpassung für die semantische Bildsegmentierung mittels interner Repräsentationen

Semantische Segmentierungsmodelle, die auf annotierten Daten trainiert wurden, generalisieren nicht gut, wenn sich die Verteilung der Eingabedaten über längere Zeiträume ändert, was eine erneute Schulung zur Aufrechterhaltung der Leistung erfordert. Klassische unüberwachte Domänenanpassung (UDA) versucht ein ähnliches Problem zu lösen, wenn eine Zieldomäne ohne annotierte Datenpunkte vorliegt, indem Wissen von einer Quellendomäne mit annotierten Daten übertragen wird. Wir entwickeln einen Online-UDA-Algorithmus für die semantische Bildsegmentierung, der die Generalisierung des Modells auf nicht annotierten Domänen in Szenarien verbessert, in denen der Zugriff auf Quelldaten während der Anpassung eingeschränkt ist. Wir führen die Modellanpassung durch Minimierung der Verteilungsdistanz zwischen den latenten Quell- und Zielmerkmalen in einem gemeinsamen Einbettungsraum durch. Unsere Lösung fördert einen gemeinsamen, domänenunabhängigen latenten Merkmalsraum zwischen den beiden Domänen, der die Generalisierung des Klassifikators auf dem Zieldatensatz ermöglicht. Um den Bedarf an Zugriff auf Quellproben während der Anpassung zu verringern, approximieren wir die Verteilung der latenten Quellmerkmale mittels einer geeigneten Ersatzverteilung, in diesem Fall eines Gaußschen Mischungsverfahrens (GMM).