这篇博客介绍了如何在域适应语义分割中应用Adaboost策略，通过挖掘和针对性地提升难样本的采样概率，以稳定模型训练并提升性能。作者分享了模型组合的重要性，展示了在多个基准上的提升，并对比了MeanTeacher方法。
论文下载：https://zdzheng.xyz/files/TIP_Adaboost.pdf
备份：https://arxiv.org/pdf/2103.15685.pdf
作者：Zhedong Zheng，Yi Yang
代码链接： GitHub - layumi/AdaBoost_Seg: TIP2022 Adaptive Boosting (AdaBoost) for Domain Adaptation ? Why not !
What:
- “难”样本对于Domain Adaptation 语意分割模型来说特别重要，比如 Cityscapes中 “train”这种类别出现的场景比较少，自然在“Cityscapes”上的火车预测也特别差。 这就导致，每次训练，模型的抖动特别大， 有时候不同epoch（如data shuffle顺序不同等因素），就会在测试集上 就有 较大的performance gap。
- 所以考虑到 难样本挖掘，一个很自然的想法就是 用Adaboost， 这个是我的人脸检测老本行中一个最work的策略。具体可见（郑哲东：AdaBoost 笔记
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
