【论文研读】Category-level Adversaries for Semantics Consistent Domain Adaptation（cvpr2019）

原文链接：Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation

作者：Yawei Luo , Liang Zheng， Tao Guan , Junqing Yu , Yi Yang

一、背景知识介绍

1、语义分割：

1）定义：给定一张图片，对图片上的每一个像素点分类。

2）样本来源：昂贵的人工劳动所获得的大量密集像素级注释；另一种方法是使用模拟数据（如计算机生成的场景）

3）问题提出：使用模拟数据得到的图片与真实分割图像有不同的数据分布，通常称为域移位

2、无监督域适应（域迁移）

1）传统方法（TAN）：对抗性学习，生成器被训练以产生混淆鉴别器的特征，判别器正确地分类两个域

即分类器将对于源域的样本判断为负类，目标域判断为正类。

总loss = Labv+Lseg

2）问题：当生成器完全骗过判别器时，它只是对齐了两个域的边际分布，而忽略了本地类别级别的分布转移

3、Co-training

1）定义：multi-view learning的一种，构造两个不同的分类器，利用小规模的标注语料，对大规模的未标注语料进行标注

2）思想：不用人工干涉，够从未标注的语料中自动学习到知识

3）算法：假设数据有两种特征表达，比如图像特征（X1, Y1）和文本特征（X2, Y2）。对于未标注数据同样有两种View。算法如下：

在标注集下，从（X1, Y1），（X2, Y2）分别训练得到两个个分类模型C1，C2
分别使用C1与C2对未标注数据进行预测
将C1所预测的前K个置信度最高的样本加入C2的训练数据集
将C2所预测的前K个置信度最高的样本加入C1的训练数据集
回到第1步

解释：

两种view的获得方式：dropout [33], consensus regularization [34] or parameter diverse
置信度：对于每次迭代的训练集可以得到一个已标注数据的概率分布（可以假设为正态分布），以此来评定未标注数据的分布是否贴近

作用：should capture the essential aspect of a pixel across the source and target domains,

二、类别级别的对抗性网络（CLAN）

1、网络框架：

1）generator G —— can be any FCN-based segmentation network

组成：feature extractor E 、two classifiers C1 and C2

ResNet-101、vgg16 based FCN8s

2）discriminator D —— CNN-based binary classifier with a fully-convolutional output

consists of 5 convolution layers with kernel 4 × 4 with channel numbers {64, 128, 256, 512, 1} and stride of 2.

Each convolution layer is followed by a Leaky-ReLU parameterized by 0.2 except the last layer.
add an up-sampling layer to the last layer to rescale the output to the size of the input map

2、loss

一共有三个loss：1）the segmentation loss, 2）the weight discrepancy loss ，3）the self-adaptive adversarial loss

1）segmentation loss（multi-class cross-entropy loss）

Pic denotes the predicted probability of class c on pixel i
Yic denotes the ground truth probability of class c on the pixel i.
If pixel i belongs to class c, yic = 1, otherwise yic = 0

2）the weight discrepancy loss —— minimizing cosine similarity of weights

w1 and w2 are obtained by flattening and concatenating the weights of the convolution filters of C1 and C2

目的：保证C1 and C2的多样性，即两个不同的view

3）the self-adaptive adversarial loss

从标准无监督域适应的loss修改而来。

p(1) and p(2) are predictions made by C1 and C2
M(·, ·) denotes the cosine distance：保证从C1和C2中出来的预测map的一致性，计算时是pixel-pixel级
λlocal controls the adaptive weight for adversarial loss.
a small number $\varepsilon$ ：to stabilize the training process

猜测采用cosine的理由：

总的loss函数+训练：

三、实验

1、数据集

Cityscapes： a real-world dataset with 5,000 street scenes
GTA5： 24,966 high-resolution images compatible with the Cityscapes annotated classes.
SYNTHIA： 9400 synthetic images

迁移任务：SYNTHIA → Cityscapes、 GTA5 → Cityscapes

2、结果

source only：没有迁移，在源域训练后在目标域上预测

几个souce only：针对以下方法的backbone

效果图：

参考：http://www.sohu.com/a/256478531_100177858

https://www.cnblogs.com/lxy2017/p/4083352.html

https://www.cnblogs.com/lmsj918/p/4031651.html