基于分类锚点的无监督领域自适应语义分割
本文提出了一种基于分类级别对抗网络和协同训练方法的非监督域自适应语义分割模型，通过加强对局部语义一致性的控制来优化全局对齐策略，取得了与当前领先技术水平相当的分割精度。实验任务包括GTA5->Cityscapes和SYNTHIA -> Cityscapes两种不同的领域自适应任务。
Sep, 2018
论文提出一个新框架，使用image-level weak labels，引入了category-wise alignment来实现domain adaptation中feature alignment和pseudo-labeling的相互作用，实验结果表明在UDA和WDA上都有显著的提高。
Jul, 2020
本文提出一种新颖的无监督归一化层自适应方法(Unsupervised BatchNorm Adaptation, UBNA)，该方法通过部分适应归一化层统计来将给定的预训练模型适应到看不见的目标领域，无需使用来自源领域的任何表示(既没有数据也没有网络)，并且可以以在线方式或者在使用目标领域中的少量未标记图像的情况下，以几次样本的方式进行。通过评估利用标准的无监督领域适应基准的语义分割，我们展示了这比没有适应和使用仅从目标域中获得的统计数据的基线方法优越，并且与标准的无监督领域适应方法相比，我们报告了性能和使用源领域表示之间的权衡。
Nov, 2020
本文提出一种新的方法，通过在特征层面上最大化源域和目标域之间的余弦相似度来解决语义分割的无监督域适应问题。通过广泛的实验，我们验证了我们的方法在两个无监督域适应任务（GTA5 $ o $ Cityscapes和SYNTHIA $ o $ Cityscapes）上获得了性能提升。
Feb, 2021
本研究提出了一种新的无监督域自适应方法，通过粗、细两个阶段中的影像级对齐和类别级别特征分布规则化来统一解决影像级别和类别级别导致的域差异问题，其中概念中的“类别级别特征分布”指的是使用三元组损失限制源域的类别中心和自监督一致性规则化目标域，实验证明本研究所提出的方法提高了分割模型的泛化能力并显著优于之前的方法。
Mar, 2021
该论文研究了利用少量标记数据来对无监督领域适应（UDA）进行数据中心性思考，并探究了如何优选经典的UDA方法的超参数和使用少量标记数据进行微调的效果。
Jun, 2022
本研究提出了一种新的域自适应语义分割方法T2S-DA，通过将目标特征拉近到源特征中来提高模型的跨域特征表示性能；同时，该方法还采用动态加权策略，使模型可以更好地集中在那些表现较差的像素类别上。实验结果证明，T2S-DA方法学习的表示性能更加明显和具有一般性，且比现有的方法表现更优秀，同时还验证了其领域不变性属性。
May, 2023
我们提出了一种简单直接的方法来减小不同领域之间的差异，该方法无需进行额外的参数计算，并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域，该模型在决策过程中优先考虑目标领域的风格，在图像级别和浅层特征图级别上解决了该问题，并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升，比如在GTA->Cityscapes数据集上达到了显著的UDA性能，mIoU为76.93%，比先前最先进结果改善了1.03个百分点。
Apr, 2024
通过无需外部数据的多目标无监督领域适应策略，实现语义分割模型在新的未知目标域上的适应，无需使用来自多个目标域的标注和未标注数据，通过自我蒸馏和对抗学习的简单方法在多个合成-真实和真实-真实的适应设置中显著优于现有最先进解决方案。
May, 2024