Conceitos Básicos
提案されたECAPは、信頼性の高い疑似ラベルを活用することで、誤った疑似ラベルの影響を軽減し、セマンティックセグメンテーションの未監督ドメイン適応におけるパフォーマンスを向上させます。
Resumo
ECAPは、信頼性の高い疑似ラベルを使用してトレーニングイメージに自信を持たせることで、誤った疑似ラベルの影響を軽減します。これにより、MIC法に対してGTA→CityscapesおよびSynthia→Cityscapesの両方で新しい最高パフォーマンスを達成します。ただし、低視界条件などのドメイン適応ではコンテキスト情報が重要であるため、ECAPはそのような場合には適していない可能性があります。
Estatísticas
MIC+ECAPはSynthia→Cityscapesベンチマークで69.1 mIoUの前例のないパフォーマンスを達成しました。
ECAPはMIC法に0.3 mIoUの改善をもたらしました。
ECAPはDAFormerや他の先行技術モデル全体に大幅なパフォーマンス向上をもたらしました。
ECAPは様々な設定で実施された感度分析でも効果的でした。
Citações
"Through comprehensive evaluation, ECAP is shown to increase the performance of multiple UDA methods based on self-training on the synthetic-to-real domain adaptation task."
"ECAP benefits training by shifting focus away from erroneous pseudo-labels."
"Our experiments highlight a limitation of ECAP in domains with poor visibility, where context information and a strong bias are pivotal for making accurate predictions."