CVPR 2024 | HPL-ESS：基于混合伪标签的无监督事件语义分割

主要观点总结

这篇文章介绍了HPL-ESS: Hybrid Pseudo-Labeling for Unsupervised Event-based Semantic Segmentation的研究内容。该研究提出了一种新的混合伪标签框架HPL-ESS，用于无监督的事件语义分割。文章详细阐述了该框架的方法论、创新点以及实验结果。

关键观点总结

关键观点1: 混合伪标签框架HPL-ESS的提出

结合自训练无监督域适应（UDA）和离线事件到图像重建，生成混合伪标签，解决事件数据的标注困难问题。

关键观点2: 噪声标签学习策略

设计了一种噪声标签学习（NLL）策略，以应对事件到图像重建过程中引入的噪声伪标签问题。

关键观点3: 软原型对齐（SPA）模块

针对图像和事件域之间的特征分散问题，提出了软原型对齐（SPA）模块，提高目标域特征的一致性。

关键观点4: 实验与结果

在多个基准数据集上进行了实验，结果显示该方法大幅超越了现有的最先进方法，甚至超过了一些监督方法。