视频语义分割的无监督域自适应
本文提出了一种基于迭代自训练的无监督域自适应框架，在自训练的基础上提出了一种新的类平衡自训练框架，并引入了空间先验来改善生成的标签。综合实验表明，所提出的方法在多个主要 UDA 设置下均实现了最先进的语义分割性能。
Oct, 2018
本文概述了用于语义分割的深度网络无监督域适应的最新进展，并提供了清晰的分类。该文介绍了该问题的各种情况、不同水平上的适应策略、以及基于对抗学习、生成式、分类器差异性分析、自学习、熵最小化、课程学习和多任务学习等方法的文献综述。该文最后通过在自动驾驶情景下对各种方法的性能进行比较。
May, 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
该论文提出了使用自监督单目深度估计作为代理任务来解决模拟数据和真实数据之间的差异，以提高半监督领域自适应的性能，结果表明这种方法在语义分割领域的无监督域自适应上具有较好的性能。
Mar, 2021
本文提出了一种基于对比学习和自我训练的方法，该方法可以很好地应用于不同领域的实例进行语义分割，可以将语义类别在跨域上进行对齐，从而达到更好的结果。
May, 2021
本研究提出了一种基于低级边缘信息的领域自适应方法，通过使用独立边缘流来处理边缘信息，从而在目标领域上产生高质量的语义边界，进而通过边缘一致性损失来对齐目标语义预测与产生的语义边界，并且进一步提出了用于语义对抗学习和自监督学习的两种经验再加权方法，这些方法能够进一步提高该结构的自适应性能。在两个UDA基准数据集上的综合实验表明，该结构相比现有技术具有更好的表现。
Sep, 2021
本文提出了一种运用自监督学习和运动导向的领域自适应语义分割框架（MoDA），以解决目标领域中缺乏标注的语义分割问题。MoDA通过利用对象运动的自监督学习，在前景和背景类别上采用不同的策略来处理领域间的差异，通过前景对象发现和语义挖掘以及背景对抗训练来提高准确性。实验结果表明，MoDA在领域自适应图像分割和领域自适应视频分割方面优于现有方法，并可与现有的先进方法相结合以进一步改善性能。
Sep, 2023
对于语义分割的无监督域自适应（DAS）的研究已经很丰富，本文通过比较图像和视频领域的DAS方法在一系列基准数据集上的表现，发现了一些有趣的现象并开源了相应的代码库。
Feb, 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