loss低但精确度低_无监督域适应在语义分割中的应用：熵loss

今天介绍一篇 CVPR 2019论文：

ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation

域适应在语义分割中的应用，主要方法是最小化熵

---

概览

问题：在语义分割领域，利用源域有标签的数据，解决目标域无标签的问题。

方法：引入熵loss，降低目标域的熵。

动机

左上角是源域的语义分割图。我们利用源域的数据(有充足的标记好的数据)可以训练一个准确率很高的语义分割网络。但是目标域没有标签，我们如果直接将目标域的图片输入到源域的网络中，会得到第2行第1列的图像。我们可以看到路这个类分得很不好。

作者观察到：源域上的监督学习训练出来的卷积神经网络模型，在与源域相似的图片上预测出来的语义分割图是低熵。而在目标域上的预测图则是高熵。如下图所示。左边是语义分割图，右边计算整个图熵值结果的可视化。

源域中的预测熵图(prediction entropy maps)像是边缘检测：在边缘部分有很高的响应值。

而在目标域，预测熵图并不是这么明显。语义分割图中有很多噪声，会造成额外的熵增。

由此，