本文提出一种新颖的基于自我监督领域自适应的方法，通过利用语义分割模型的尺度不变性属性，可以在不同尺度的补丁之间转移标签，使用动态类特定熵阈值机制过滤出不可靠的伪标签，并且通过使用焦点损失来解决自我监督学习中的类别不平衡问题，实验结果表明，该方法在GTA5到Cityscapes和SYNTHIA到Cityscapes的数据集上优于基于现有自我监督方法的最新领域自适应方法， VGG16-FCN8基线网络效果提高了1.3％和3.8％。
Jul, 2020
本文提出了一种基于代表类的原型和特征距离的无监督域自适应方法，通过第一视角和第二视角目标的相对特征距离来调整原型分配，并使用特征距离来估计伪标签的概率以辅助在线纠正，同时利用自我监督训练模型进一步提高性能。
Jan, 2021
本研究提出了一种新的领域自适应解决方案，用于语义分割，通过伪标签修正的方法来避免训练中的噪声，并在未接触源模型内部规格的情况下取得很高的性能。
Jun, 2021
本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法，并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能，并显示出与在线适应的兼容性。
Aug, 2021
本研究致力于在无监督域自适应的背景下，解决深度神经网络在语义分割任务中出现的领域转移问题，提出了一种新的低层适应策略和有效的数据增强方法，可以有效地提高分类边界上的表现。
Oct, 2021
本文提出一种基于伪标签的无监督域适应(MFA)方法，通过融合跨模型、时间和在线离线伪标签等三种策略，有效地提高了语义分割适应性。在两个广泛使用的基准测试上表现良好，分别达到58.2%和62.5%的mIOU，创造了新的技术水平记录。
Dec, 2021
本研究提出了一种有效的方法，通过对预测结果进行熵值分析并利用不可靠像素生成负样本键从而在语义分割中充分利用未标记数据。
Jun, 2023
本文提出了一个双层互动的域自适应(DIDA)方法来解决语义分割伪标签错误的问题，该方法基于无监督域自适应，同时使用实例层面和语义层面相似度实现更可靠的伪标签，实现了优于现有技术的效果。
Jul, 2023
预训练模型可通过计算域迁移下的软标签原型并根据与预测类别概率最接近的原型进行预测，从而适应无标签目标域数据，这种适应过程快速且几乎不需要计算资源，且能显著提升性能，我们在实用的合成到真实场景的语义分割问题中证明了该标签校准的益处。
基于深度学习的解决方案如何在面对与训练数据不同特征的情况下, 语义分割会有性能下降的问题, 针对此问题提出了一种无监督领域适应的方法, 利用辅助伪标签优化网络进行自训练, 实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.
Oct, 2023