多原型对比分割网络

跨域泛化提升

该网络通过标定多原型对比学习，缓解了不同域间同类原型差异与异类原型相似的问题，在多个基准上超越现有域泛化语义分割方法。

Liao, Muxin · Tian, Shishun · Yuhang, Zhang · Hua, Guoguang · 邹文斌 · 李霞

IEEE Transactions on Intelligent Transportation Systems 2024

技术优势

同类原型差异被校准

利用不确定性概率矩阵对同类原型权重进行校准，减轻不同域中同类原型之间的差异。

相似异类原型被区分

通过硬加权矩阵校准难以对齐的原型权重，缓解不同类别原型相似的问题。

避免源域过拟合

采用多原型对比学习，防止学到的类别域不变特征过度拟合源域原型。

多个基准上性能领先

在多个域泛化语义分割基准上超越了现有方法。

应用场景

• 自动驾驶：为不同天气、光照下的道路分割提供域不变特征。
• 交通场景感知：提升模型在不同城市、摄像头下的交通场景分割稳定性。
• 视觉环境泛化：直接针对视觉域泛化问题，缓解域间原型差异。
• 具身导航：增强机器人在未知环境中的语义分割泛化能力。
• 工业视觉检测：在不同生产线和光照条件下保持检测分割的准确性。