本文提出了一种全卷积自适应网络（FCAN）用于语义分割，该网络综合了外观适应网络（AAN）和表示适应网络（RAN），通过对领域适应的视觉外观级别和表示级别进行改进，实现了从合成图像到真实世界图像的领域适应。论文进行了广泛的实验，在 GTA5 到 Cityscapes 和 BDDS 领域不需要监督地自适应，实现了优于现有技术的结果，并在 BDDS 上获得了新的记录 —— 无监督的 mIoU 为 47.5％。

Apr, 2018

本文介绍的第一种领域自适应语义分割方法，提出了一种针对像素预测问题的无监督对抗方法，该方法包括全局和类别特定的适应技术，它使用具有全卷积领域对抗学习的新型语义分割网络进行全局领域对齐，然后通过弱学习的推广进行类别特定适应，这使得从源域传递到目标域的空间布局的显式转移成为可能，本方法在多个大规模数据集上优于基线方法，包括适应各种真实城市环境、不同合成子域，从模拟到真实环境，并且在一个新的大规模仪表盘相机数据集上也具有很好的表现。

Dec, 2016

在城市场景语义分割中，我们提出一种课程学习的方法来尽可能减小真实和合成数据之间的差距。该方法采用先易后难的策略，对全局标签分布和本地超像素标签分布进行先验知识的推断，并在此基础上训练语义分割网络。在两个数据集和两种 Backbone 网络上，我们的方法表现优于基线，并且进行了广泛的实验研究。

Dec, 2018

本论文介绍一种基于课程式学习（curriculum-style learning）的方法，通过学习全局标签分布和局部分布来缓解城市风景语义分割中真实图像和合成数据之间的领域差异，并在两个数据集和两个骨干网络上的实验中表现优异。

Jul, 2017

通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

Apr, 2022

本文提出了一种基于循环解缠的特征转换网络 (CDFTN) 的领域自适应方法，能够生成伪标签样本，从而实现源域不变的活体特征和目标域特定内容特征的解离。采用源域标签监督合成的伪标签图像来训练鲁棒的分类器，扩展到多目标域适应。实验证明，该方法明显优于现有技术水平。

Dec, 2022

本文提出了一种紧凑型次级融合网络 (Compact Twice Fusion Network, CTFN)，其中包括语义增强模块 (Semantic Enhancement Module, SEM) 和伪像素级加权模块 (Pseudo Pixel-level Weighting, PPW) 以完全整合多尺度特征，以及一种名为动态聚焦损失的新型损失函数，可用于处理纹理噪声干扰带来的分类挑战，在三个数据集上评估，CTFN 在参数和计算成本上均优于现有最先进方法。

Jul, 2023

本研究提出一种针对无监督领域自适应的不对称三方训练方法，该方法利用神经网络对未标记的样本进行伪标记并训练网络来提高准确性。研究结果表明，该方法在数字识别和情感分析数据集上取得了最先进的性能。

Feb, 2017

提出了一种基于全卷积 transformer 的医疗图像分割模型，该模型可处理各种数据模态，能够有效地提取输入图像的语义依存关系并捕获其分层全局属性，并在多个数据集上表现优异，相对于同类模型具有参数少的特点。

Jun, 2022

本文介绍了一种基于全卷积网络的交互式图像分割方法，利用深度学习中的两个子网络进行特征提取和分割，分别包括类特征融合网络和多尺度参数优化器网络。最终，在四个基准数据集上验证出该方法能够和现有的交互式图像分割方法相媲美的性能，同时具有更快速和更高效的模型训练与检验时间。

Jul, 2018