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

本文提出一种新的深度学习网络架构，通过混合有标号源领域和代理标号目标领域的数据，利用网络的自我预测生成代理标签，实现了高效的无监督域自适应，其在合成到真实领域自适应和地理领域适应方面均表现出了优势。

Nov, 2018

本文提出一种使用模拟技术进行自动驾驶场景语义分割的方法，通过域泛化的方式进行测试并实现了高度通用性，其中使用了域随机化和金字塔一致性两种技术，实现了域不变的特征表示。经过在 GTA，SYNTHIA 到 Cityscapes，BDDS 和 Mapillary 的广泛实验，本方法在一些状态和最先进的仿真转现领域自适应方法的测试结果表明，本方法实现了有竞争力、甚至优于其他方法的结果。

Sep, 2019

提出一种针对图像数据的新型两阶段框架，通过逐步训练多尺度神经网络从源域到目标域执行图像翻译，将生成的新数据作为任何标准 UDA 方法的输入，以进一步降低域差距，达到提高域自适应技术的效果。

Apr, 2022

本研究提出了基于弱监督对抗领域适应的方法，通过三个深度神经网络（DS、PDC 和 ODC）改善从合成数据到真实场景的语义分割性能，并在实验中取得了新的记录。

Apr, 2019

本文提出了一种基于交叉关注机制的无监督域自适应方法，用于在语义分割中将一个域中的知识转移到另一个域中，通过对自注意力机制的改进，能够更好地适应上下文依赖性和转移可操作的上下文信息，优于现有的方法。

Mar, 2020

本文提出了一种自我监督域自适应的通用方法，重点关注简单的预训练任务，如图像旋转预测，运用于对象识别和城市场景语义分割等场景，并提出了预测层对齐和批归一化校准等策略以进一步提高其准确性。实验结果表明自我监督在域自适应方面具有很大的潜力。

Jul, 2019

本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

Apr, 2020

通过提出代理标签方法，使用多重对抗训练产生高质量标签，使得深度模型能够在目标域上进行带监督的训练，以解决语义分割过程中像素级别标注数量巨大，使其难以扩展。

Jul, 2019