SePiCo: 面向域自适应语义分割的语义引导像素对比
提出一种新型半监督语义分割方法，结合像素级 L2 损失和像素对比损失以实现两个分割模型规则：图像增强之间的标签空间一致性性质和不同像素之间的特征空间对比性质，采用 DeepLab-v3+ 结构和多个数据集进行了广泛的实验，表现出最先进的性能。
Aug, 2021
本文提出使用有别于过往方法的对比公式来实现 CONtrastive FEaTure and pIxel alignment (CONFETI)，并使用类别间跨领域信息将像素级和特征级（采用像素原型对比方法）的对齐相结合，以用于解决合成和真实世界数据集之间的领域缺口问题，在 DeepLabV2 上优于现有最先进方法。
Jun, 2023
提出了一种新颖的无监督领域自适应方法，通过像素 - 原型对比学习框架进行标记迁移，学习跨域不变且具有区分性的特征，生成动态伪标签来建立对比学习训练对，并逐渐调整原型的领域偏差来提高其性能。
Jul, 2022
该研究提出了一种基于语义分布的对比适应算法，可以在语义分布的指导下实现像素级表示对齐，从而能够更好地解决跨域问题。经验证明，SDCA 在多个基准测试中都可以显着提高现有算法的分割准确性。
May, 2021
本文提出了一种基于 IAPC 学习的端到端无源领域适应语义分割方法，通过重视度感知机制和原型对比策略从经过训练的源模型和未标注的目标领域中学习特征，解决了在现实驾驶场景中领域转移很难处理的问题。实验结果表明，该方法在两个领域适应语义分割基准测试中优于现有的最先进方法。
Jun, 2023
本文提出了基于像素级循环关联的域自适应语义分割方法，该方法仅需要源域注释即可在目标域产生令人满意的像素级预测，并在两个标准基准测试中获得了优秀的性能表现，可望在未来的域适应语义分割研究中发挥一定的作用。
Oct, 2020
本研究基于半监督度量学习方法，提出了四种对应关系来捕捉低 - level 图像相似性、语义标注、共现和特征亲和力。这些节点可以从任何部分注释的训练图像中以数据驱动的方式进行学习，因此，该模型不仅适用于弱监督分割中标记的像素，还适用于未标记的像素。
May, 2021
本文提出了一种密集的语义对比学习框架，用于多颗粒度表示学习，以模拟语义类别决策边界以满足下游的密集预测任务，实验证明我们的模型优于现有的方法，包括目标检测、语义分割和实例分割。
Sep, 2021