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

本文提出了一个两步自监督域自适应方法，以最小化域间和域内差距，首先进行模型的域间自适应，然后使用基于熵的排序函数将目标域分为易和难两部分，最终采用自监督自适应技术从易到难来降低域内差距。

Apr, 2020

本文提出一种新颖的基于自我监督领域自适应的方法，通过利用语义分割模型的尺度不变性属性，可以在不同尺度的补丁之间转移标签，使用动态类特定熵阈值机制过滤出不可靠的伪标签，并且通过使用焦点损失来解决自我监督学习中的类别不平衡问题，实验结果表明，该方法在GTA5到Cityscapes和SYNTHIA到Cityscapes的数据集上优于基于现有自我监督方法的最新领域自适应方法， VGG16-FCN8基线网络效果提高了1.3％和3.8％。

Jul, 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

本文提出了一种基于代表类的原型和特征距离的无监督域自适应方法，通过第一视角和第二视角目标的相对特征距离来调整原型分配，并使用特征距离来估计伪标签的概率以辅助在线纠正，同时利用自我监督训练模型进一步提高性能。

Jan, 2021

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

本研究提出了一种新的域自适应语义分割方法T2S-DA，通过将目标特征拉近到源特征中来提高模型的跨域特征表示性能；同时，该方法还采用动态加权策略，使模型可以更好地集中在那些表现较差的像素类别上。实验结果证明，T2S-DA方法学习的表示性能更加明显和具有一般性，且比现有的方法表现更优秀，同时还验证了其领域不变性属性。

May, 2023

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

领域自适应主动学习通过使用不确定性和多样性两个准则与像素级获取策略相结合，有效提高神经网络在标注效率训练中的性能。然而，目前这种方法出现了类别不平衡问题，导致在更大规模的主动学习预算下性能下降。为缓解这一问题，本文提出了一种新型的主动学习方法，即类别平衡动态获取（CBDA），特别适用于高预算情况。通过增加较小类别的训练样本，改进了少数类别的性能，使模型在5%、10%和20%预算下的mIoU分别提高了0.6、1.7和2.4。此外，对少数类别的关注还使最小类别性能分别提高了0.5、2.9和4.6 IoU。最优模型甚至超过了全监督基准模型，表明相较于完整的真实标注，更平衡的标注对模型是有益的。

Nov, 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