DAFormer：用于领域自适应语义分割的网络架构和训练策略的改进

Nov, 2021

DAFormer：用于领域自适应语义分割的网络架构和训练策略的改进

DAFormer: Improving Network Architectures and Training Strategies for Domain-Adaptive Semantic Segmentation

Lukas Hoyer, Dengxin Dai, Luc Van Gool

TL;DR本研究基于最新的神经网络架构研究了无监督域适应（UDA）领域，在语义分割方面揭示了Transformers的潜力。基于研究结果，本研究提出了一种新的UDA方法DAFormer，并且通过三种简单却至关重要的训练策略，DAFormer的实现在GTA-to-Cityscapes和Synthia-to-Cityscapes语义分割任务中取得了比目前最先进方法更好的表现。

Abstract

As acquiring pixel-wise annotations of real-world images for semantic segmentation is a costly process, a model can instead be trained with more accessible synthetic data and adapted to real images without requiring their annotations. This process is studied in →

发现论文，激发创造

多领域判别器与自适应自训练的无监督领域自适应

本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

Apr, 2020

语义分割中的无监督域适应：综述

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

DACS: 基于跨域混合采样的领域自适应

使用DACs方法，混合源领域的标签数据和目标领域的伪标签数据进行训练可以有效地解决基于卷积神经网络的语义分割模型在新领域上通用性不佳的问题。

Jul, 2020

无监督批归一化适应（UBNA）：一种域自适应方法，用于语义分割而不使用源域表示

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

ProCST: 基于渐进循环风格迁移的语义分割增强

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

语义分割的无监督域自适应重新思考

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

领域自适应的一致性正则化

本文提出将一致性正则化项加入半监督UDA中，通过建模网络输出元素之间的像素之间的相互关系，在DAFormer框架上改善了GTA5到Cityscapes数据集19类mIoU表现0.8和SYNTHIA到Cityscapes数据集16类mIoU表现1.2。

Aug, 2022

面向语义图像分割的领域自适应和泛化网络结构及训练策略

该研究提出两种新的神经网络框架（DAFormer和HRDA）来解决在未标记或不可见目标域上使用源域模型的问题，以提高无监督领域适应和领域泛化的性能，并在多个基准测试中取得了显著的改进。

Apr, 2023

领域自适应语义分割的样式适应

我们提出了一种简单直接的方法来减小不同领域之间的差异，该方法无需进行额外的参数计算，并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域，该模型在决策过程中优先考虑目标领域的风格，在图像级别和浅层特征图级别上解决了该问题，并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升，比如在GTA->Cityscapes数据集上达到了显著的UDA性能，mIoU为76.93%，比先前最先进结果改善了1.03个百分点。

Apr, 2024

多目标无监督领域自适应语义分割

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