典型文献
基于多模态特征的无监督领域自适应多级对抗语义分割网络
文献摘要：
为了解决领域自适应中存在领域间视觉、空间以及语义特征分布差异的问题,提出了基于多模态特征的无监督领域自适应多级对抗语义分割网络.首先,设计3层结构的注意力融合语义分割网络来分别从源域和目标域学习上述三类特征.然后,在单级对抗学习中引入联合分布置信度和语义置信度的自监督学习方法,从而在领域间所学特征的分布距离最小化过程中实现更多目标域像素的分布对齐.最后,通过基于多模态特征的多级对抗学习方法对3路对抗分支与3个自适应子网进行联合优化,从而能够有效学习各子网所提取特征的域间不变表示.实验结果表明,与当前先进方法相比,所提网络在GTA5到Cityscapes、SYNTHIA到Cityscapes和SUN-RGBD到NYUD-v2的数据集上分别取得最优的平均交并比62.2％、66.9％和59.7％.
文献关键词：
无监督领域自适应;语义分割;多模态特征;注意力融合;多级对抗学习;自监督学习
中图分类号：
作者姓名：
王泽宇;布树辉;黄伟;郑远攀;吴庆岗;常化文;张旭
作者机构：
郑州轻工业大学计算机与通信工程学院,河南郑州 450000;西北工业大学航空学院,陕西西安 710072
文献出处：
引用格式：
[1]王泽宇;布树辉;黄伟;郑远攀;吴庆岗;常化文;张旭-.基于多模态特征的无监督领域自适应多级对抗语义分割网络)[J].通信学报,2022(12):157-171
A类：
多级对抗学习
B类：
多模态特征,无监督领域自适应,语义分割网络,语义特征,特征分布,分布差异,注意力融合,合语,源域,目标域,单级,联合分布,置信度,自监督学习,所学,像素,分布对齐,子网,联合优化,有效学习,提取特征,GTA5,Cityscapes,SYNTHIA,SUN,RGBD,NYUD,v2,平均交并比
AB值：
0.279051
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
