本文提出一种半监督学习的语义分割模型，该模型可以将从像素级别注释的强类别中学到的分割知识转移到只有图像级别注释的弱类别中，从而显著扩大了深度分割模型在实际应用中的适用范围。该模型由两个互补且可学习的部分组成：标签转移网络（L-Net）和预测转移网络（P-Net）。通过将这两个部分进行整合，可以在 PASCAL VOC 2012 数据集上实现与完全监督基线相近的 96.5％和 89.4％的性能，而只使用 50％和 0％的像素级别注释类别。

Nov, 2017

通过区域原型和抑制干扰的转换器可以提高少样本医学图像分割的准确性和性能。

Sep, 2023

该论文提出了一种面向现实的域适应方法，通过学习合成数据，结合目标引导的蒸馏和空间感知的适应方案，可以提高语义分割网络从合成到真实城市场景的泛化能力。

Nov, 2017

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

本研究提出了一种基于几何变换的一致性约束正则化半监督图像翻译算法，在图像着色、去噪和超分辨率等数据敏感任务中，表现出仅需约 10-20% 有标注样本数量就能与标注样本量一样优秀的表现，同时可在视频处理任务中大幅提升质量。

Jul, 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

本文提出了一种使用无监督学习和鉴别器的框架，通过对城市场景生成逼真的照片来实现自主驾驶，避免大量验证和训练数据的高昂成本。

May, 2023

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

本文提出了一种基于预测不确定性纠正伪标签学习的无监督语义分割自适应方法，通过模型输出语义分割预测和预测的不确定性，利用预测的方差建模估计不确定性，并将其纳入优化目标，从而动态地根据不同的置信度阈值纠正噪声伪标签，显著提高了在三个基准测试集上的性能。

Mar, 2020

基于数据增强驱动的方法，使用重新参数化的视觉 Transformer（ReVT）和多模型训练后的权重平均化，实现语义分割的域通用化，在多个基准数据集上实现了 47.3％（之前的技术：46.3％）的小型模型和 50.1％（之前的技术：47.8％）的中型模型的最新 mIoU 性能，同时需要更少的参数，并且帧速率更高，与最佳之前的技术相比，易于实施，而且在推断期间不会增加任何计算复杂度。

Aug, 2023