论文
MC-PanDA++：更简单、更强、更鲁棒的域自适应全景分割
MC-PanDA++: Simpler, Stronger, and More Robust Domain-Adaptive Panoptic Segmentation
摘要
无监督域适应（UDA）通过利用经济有效的标记源域（例如合成域）和未标记目标域来弥合分布差距，从而减少全景分割中的注释负担。现有的全景 UDA 方法依赖于基于次优每像素分割架构构建的师生一致性学习。相比之下，最先进的掩模Transformer很少被采用，因为它们在一致性学习中明显容易受到确认偏差的影响，在训练过程中错误的教师预测会被强化。我们早期的方法 MC-PanDA 通过细粒度的置信度估计来缓解这个问题，该估计会抑制不可靠掩模的梯度，同时对信息丰富但可靠的位置进行采样以进行损失计算。然而，这种方法需要复杂的多阶段训练，并且需要仔细的超参数调整。这项工作提出了 MC-PanDA++，它通过引入以下方式解决了这些限制：(i) 自监督视觉编码器，提供更强大、更鲁棒的初始化，进一步减少对人类注释的依赖，(ii) 每类自适应掩模范围损失缩放，稳定训练并允许跨域使用一组超参数，以及 (iii) 降低整体概念复杂性的单阶段训练管道。总之，这些改进为域自适应全景带来了概念上更简单、性能更好且更稳健的方法。源代码：https://github.com/martinovicivan/MC-PanDA