BriefGPT - AI 论文速递
·
联邦域适应中的 Wasserstein 空间数据集字典学习
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本文提出了一种基于协作学习的多源领域自适应框架，利用多个源域的语义信息，通过像素值分布的对齐和伪标签的约束，减小源域与目标域之间的差距。实验证明，该方法在 Cityscapes 数据集上的语义分割任务中表现优异，获得了59.0％的mIoU，显著优于之前的单一和多源无监督领域自适应方法。
🎯
关键要点
- 提出了一种基于协作学习的多源领域自适应框架。
- 利用多个源域的语义信息，通过像素值分布的对齐和伪标签的约束。
- 通过图像翻译减小源域与目标域之间的差距。
- 在 Cityscapes 数据集的语义分割任务中获得了 59.0％ 的 mIoU。
- 该方法显著优于之前的单一和多源无监督领域自适应方法。
➡️
