Core Concepts
Unser Ansatz HPL-ESS überwindet die Herausforderungen verrauschter Pseudo-Labels durch die Kombination von selbstüberwachtem domänenadaptivem Lernen und offline Event-zu-Bild-Rekonstruktion, um hochwertige hybride Pseudo-Labels zu generieren. Zusätzlich verbessert ein Modul zur weichen prototypischen Ausrichtung die Konsistenz der Merkmale in der Zieldomäne.
Abstract
Die vorgeschlagene Methode HPL-ESS adressiert die Probleme ereignisbasierter semantischer Segmentierung, insbesondere die Herausforderungen durch fehlende Annotationen und verrauschte Pseudo-Labels.
Zunächst wird ein selbstüberwachter domänenadaptiver Rahmen als Baseline verwendet, der Pseudo-Labels durch Selbsttraining auf den Ereignisdaten generiert. Zusätzlich wird eine offline Event-zu-Bild-Rekonstruktion eingeführt, um weitere Pseudo-Labels aus den rekonstruierten Bildern zu erhalten. Um die Auswirkungen der verrauschten Pseudo-Labels aus den rekonstruierten Bildern zu mindern, wird eine Strategie zum Lernen mit verrauschten Labels eingesetzt.
Darüber hinaus wird ein Modul zur weichen prototypischen Ausrichtung (SPA) vorgeschlagen, um die Konsistenz der Merkmale in der Zieldomäne zu verbessern und die Streuung der Zielmerkmale zu reduzieren.
Umfangreiche Experimente auf zwei Benchmark-Datensätzen zeigen, dass der vorgeschlagene Ansatz die bestehenden Methoden deutlich übertrifft und sogar einige vollständig überwachte Methoden übertrifft.
Stats
Die Ereignisse in der DSEC-Semantic-Datenmenge werden von 2 Millionen auf 180.000 reduziert, was einer Verringerung um 91% entspricht.
Quotes
"Unser Ansatz HPL-ESS überwindet die Herausforderungen verrauschter Pseudo-Labels durch die Kombination von selbstüberwachtem domänenadaptivem Lernen und offline Event-zu-Bild-Rekonstruktion, um hochwertige hybride Pseudo-Labels zu generieren."
"Ein Modul zur weichen prototypischen Ausrichtung (SPA) verbessert die Konsistenz der Merkmale in der Zieldomäne und reduziert die Streuung der Zielmerkmale."