在域适应领域，模型性能与目标域注释的数量之间存在权衡。积极的学习，最大程度地提高了模型性能，几乎没有信息的标签数据，以方便这种情况。在这项工作中，我们提出了D2ADA，这是用于语义分割的一般活动域的适应框架。为了使模型使用最小查询标签调整到目标域，我们提出了在目标域中具有高概率密度的样品的获取标签，但源域中的概率密度较低，与现有源域标记的数据互补。为了进一步提高标签效率，我们设计了动态的调度策略，以调整域探索和模型不确定性之间的标签预算。广泛的实验表明，我们的方法的表现优于现有的活跃学习和域适应基线，这两个基准测试基准，GTA5-> CityScapes和Synthia-> CityScapes。对于目标域注释不到5％，我们的方法与完全监督的结果可比结果。我们的代码可在https://github.com/tsunghan-wu/d2ada上公开获取。
translated by 谷歌翻译
转变挑战：实际分配转移下的鲁棒性和不确定性是由神经潜逃2021举办的竞争。本次竞争的目的是寻找解决跨域中运动预测问题的方法。在真实世界数据集中，它存在于输入数据分布和地面真实数据分布之间的差异，该数据分布称为域移位问题。在本报告中，我们提出了一种由艺术论文的最新的新建筑。主要贡献是具有自我关注机制和主要损耗功能的骨干架构。随后，我们赢得了第三名，如排行榜上所示。
translated by 谷歌翻译