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

该研究提出了一个领域自适应方法，以学习具有辨别性的特征表示，并使用对抗学习来将目标领域中的特征表示推向源领域中的分布，从而实现了对未标注目标领域的预测。

Jan, 2019

该研究论文提出了一种利用点对点特征空间敌对扰动来显式训练领域不变分类器的方法，进而解决领域间较小或头部类别在语义分割中支配对齐目标的问题，并在 GAT5 -> Cityscapes 和 SYNTHIA -> Cityscapes 两个语义分割挑战领域中取得了最新的最佳表现。

Dec, 2019

本研究考虑了在语义分割的无监督域自适应中，如何减轻源域（合成数据）和目标域（真实数据）之间的领域偏移问题。通过不同策略的语义级别对齐使得杂物类别通常在不同领域的图像中具有相似的外观，而物品（即对象实例）则具有更大的差异，从而提高了对齐的质量。在两个无监督域自适应任务中，我们的方法展示了新的准确度最高的分割结果，并且最小化源和目标域之间的最相似的杂物和实例特征有助于缓解无法稳定地减小分布差异的问题。

Mar, 2020

本文提出了一种半监督的方法 ASS 来处理域自适应问题，使用语义级别的对抗学习来提高全局和局部特征的分布一致性，从而更好地减轻源域和目标域之间的数据分布差异。实验结果表明，使用少量的注释样本，ASS 可以显著优于目前的无监督方法，并可以通过增加目标域的注释样本克服针对源域的过度拟合.

Apr, 2020

本文提出一种可学习的聚类模块以及称为跨域分组和对齐的新颖域自适应框架，以解决先前方法的限制，包括多模态数据分布和类别不平衡问题。我们声称通过鼓励对聚类之间的语义一致性和正交性进行两个损失函数，解决了聚类中的域对齐问题，而且还提出一种解决类不平衡的问题的损失函数。实验证明，我们的方法在各种域适应设置中均能提高语义分割的适应性能，并超越了现有技术水平。

Dec, 2020

本文介绍了一种新的无监督和半监督领域适应方法，利用对比学习通过对跨域中的结构相似标签块的特征进行对齐来弥合域差距，以便更容易训练和提高性能。此方法在两个具有挑战性的领域适应分割任务中始终优于现有的无监督和半监督方法，特别是当目标域注释数量很小时。

Apr, 2021

无监督领域适应的研究中，我们提出了一种新的方法，通过在熵对抗网络中丰富判别器网络的边缘预测概率值，结合内部和外部信息以提高对象边界的清晰度，进而改进了领域适应质量。实验证明，该方法在多种无监督领域适应场景中具有出色的性能。

Oct, 2023

该研究论文提出了一种在半监督框架下增强领域适应中对抗学习方法基准的方法，该方法不仅在语义分割和单一域分类器神经网络上具有实用价值，还通过设计新的训练目标损失函数来改善有标签的目标数据表现为源数据或真实目标数据的情况，并提出一种基于熵的无监督选择过程来优化适应中有标签目标样本的选择。实验证明了该方法的竞争性性能。

Dec, 2023

本研究解决了弱监督语义分割（WSSS）中仅依赖图像标签学习模型所面临的激活不平衡问题。我们提出了一种像素级领域适应（PLDA）方法，以学习像素级的不变特征，并引入了一种可信伪监督策略，确保每个像素的分割能力。这些创新方法有效提升了模型的性能，并可轻松整合到现有的WSSS方法中。

Aug, 2024