16-FCNs in the Wild- Pixel-level Adversarial and Constraint-based Adaptation

如果訓練集和測試集數據沒有假設的特性,則直接測試,如果有,那麼可以先學習數據間的域變換特性,然後輔助分割。 動機 當訓練數據與測試數據不同域的時候,以前的方法很差 提出了無監督對抗方式對像素預測問題,包括全局和類別特別的適應技術, 假設 源域和目標域共享相同的標籤空間,並且源模型在目標域上實現的性能大於機會。 創新 提出無監督域適應方法來遷移FCN結果的圖片域; 組合全局和局部對齊方法,使用全局和
相關文章
相關標籤/搜索