该研究论文提出了一种混合训练策略和新颖的双域图像融合策略，有效利用原始图像、变换图像和中间域信息，并提出了一种伪标签区域特定权重策略，以增强伪标签的精确性。ISPRS Vaihingen 和 Potsdam 数据集上进行的广泛基准实验和消融研究证实了我们方法的有效性。

Mar, 2024

通过将马尔可夫随机场神经架构搜索（MRF-NAS）与自训练无监督域适应（UDA）结合为单一框架，本研究在有限的计算预算下为土地覆盖映射任务搜索出高效且有效的轻量级神经网络，该网络在 OpenEarthMap 和 FLAIR＃1 这两个近期数据集上表现出了令人满意的性能。

Apr, 2024

基于跨领域语义分割的遥感图像的无监督领域自适应（UDA）技术已经在地球科学的深度学习应用中有了显著的进展。最近，Transformer 模型在 RS-UDA 任务中得到了成功应用。然而，现有的 UDA 方法主要关注高级特征空间中的领域对齐，对于 RS 图像的语义分割任务，同时保留跨领域的本地空间细节和全局语境语义仍然具有挑战性。为了解决这些问题，我们提出了新颖的高 / 低频分解（HLFD）技术，以指导跨领域语义分割中的表示对齐。具体而言，HLFD 试图在域对齐之前将特征图分解为高频和低频分量，为分别的子空间中进行域对齐。其次，为了进一步促进分解特征的对齐，我们提出了全局局部生成对抗网络（GLGAN），通过利用全局局部变压器块（GLTB）在领域之间学习域不变的细节和语义特征。通过整合 HLFD 技术和 GLGAN，我们开发了一种名为 FD-GLGAN 的新型 UDA 框架，以提高语义分割模型的跨领域可传递性和泛化能力。在 ISPRS Potsdam 和 ISPRS Vaihingen 这两个优质分辨率基准数据集上进行的大量实验凸显了所提方法相对于最先进的 UDA 方法的有效性和优越性。本文的源代码将在此 https URL 进行访问。

Apr, 2024

该工作提出了一种统一的深度感知无监督域自适应框架，通过在源领域中利用密集深度的多种补充方式，最大限度地利用了这种特权信息来训练 UDA 模型，从而提高了目标领域上训练的语义分割模型的性能，并在不同的具有挑战性的 synthetic-2-real 基准测试上实现了最先进的性能。

Apr, 2019

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

通过结合输入数据的时间和跨传感器的几何一致性和均值教师方法，我们引入了一种新颖的领域适应方法，称为 T-UDA（时间 UDA），该方法在驾驶场景的 3D 语义分割任务中取得了显著的性能提升。

Sep, 2023

本文提出了一种多分辨率训练方法 HRDA，结合小的高分辨率裁剪和大的低分辨率裁剪，以及学习到的比例关注，以保留精细的分割细节和捕获远程、域鲁棒性的上下文信息，从而显著提高了语义分割的 UDA 性能，并使其在 GTA 到 Cityscapes 和 Synthia 到 Cityscapes 的 mIoU 上分别达到了 73.8 和 65.8。

Apr, 2022

本研究提出了一种新的无监督域自适应方法，通过粗、细两个阶段中的影像级对齐和类别级别特征分布规则化来统一解决影像级别和类别级别导致的域差异问题，其中概念中的 “类别级别特征分布” 指的是使用三元组损失限制源域的类别中心和自监督一致性规则化目标域，实验证明本研究所提出的方法提高了分割模型的泛化能力并显著优于之前的方法。

Mar, 2021

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

本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我们通过一个合适的替代分布（如高斯混合模型）来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法，并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。

Jan, 2024