CVPR 2023 中的领域适应: 一种免反向传播的 TTA 语义分割方法
目录
- 前言
- DIGA 概述
- Distribution Adaptation Module (DAM)
- Semantic Adaptation Module (SAM)
- Classifier Association
- 实验
- 总结
- 参考
前言
我们已经介绍过两篇关于 TTA 的工作,可以在 GiantPandaCV 公众号中找到,分别是:
- Continual Test-Time 的领域适应
- CVPR 2023 中的领域适应: 通过自蒸馏正则化实现内存高效的 CoTTA
推荐对领域适应不了解的同学先阅读前置文章。目前的 TTA 方法针对反向传播的方式可以大致划分为:
之前介绍过的 CoTTA 可以属于 Fully Backward,EcoTTA 划分为 Partial Backward 中的 Meta Network 类别,这次要介绍的方法属于 Backward-Free 中的 BN-Based 和 Prototype-Based 的混合。
下图是一些 TTA 语义分割方式的比较,在(a)中是最朴素的重新做反向传播优化目标域模型梯度的方法,效率低,存在误差积累,且会导致长期遗忘。(b)是直接用每个实例的统计数据替代源统计数据(通过修改 Instance Normal