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
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
本文提出了一种算法，通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐，用于自适应预训练模型以便在目标域中泛化。
Sep, 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
一个基于自训练网络的语义分割框架，该框架主要包含两个部分：正样本提取和负样本提取，以及选用了启发式的互补标签选择方法。通过实验可知，该框架在广泛应用的合成到实际领域的语义分割任务上表现出了很高的性能。
Oct, 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
本研究提出了一种聚类适配方法Cluster-to-Adapt（C2A），通过在转换的特征空间中强制执行聚类目标来选择源和目标域之间可以对齐的类别，从而实现分割数据集领域自适应的跨数据集分类适应。该方法在室内外语境场景下进行的少样本学习和零样本学习中均表现出了比现有方法和基准方法都更好的性能。
Aug, 2022
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