BriefGPT - AI 论文速递
·
MICDrop：通过互补丢弃对图像和深度特征进行掩蔽以实现领域自适应语义分割
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新的无监督归一化层自适应方法（UBNA），可以将预训练模型适应到未知领域，无需源领域数据和网络。通过语义分割评估，证明了该方法优于基线方法和标准无监督领域适应方法。
🎯
关键要点
- 提出了一种新的无监督归一化层自适应方法（UBNA）。
- UBNA方法可以将预训练模型适应到未知领域，无需源领域数据和网络。
- 该方法可以在线进行，或在使用少量未标记图像的情况下进行适应。
- 通过语义分割评估，UBNA优于没有适应和仅使用目标域统计的基线方法。
- 与标准的无监督领域适应方法相比，UBNA在性能和使用源领域表示之间存在权衡。
➡️
