对比、风格化和适应：用于域自适应语义分割的无监督对比学习框架

Jun, 2023

对比、风格化和适应：用于域自适应语义分割的无监督对比学习框架

Contrast, Stylize and Adapt: Unsupervised Contrastive Learning Framework for Domain Adaptive Semantic Segmentation

Tianyu Li, Subhankar Roy, Huayi Zhou, Hongtao Lu, Stephane Lathuiliere

TL;DR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。

Abstract

To overcome the domain gap between synthetic and real-world datasets, unsupervised domain adaptation methods have been proposed for semantic segmentation. Majority of the previous approaches have attempted to red

发现论文，激发创造

领域自适应语义分割的跨域分组和对齐

本文提出一种可学习的聚类模块以及称为跨域分组和对齐的新颖域自适应框架，以解决先前方法的限制，包括多模态数据分布和类别不平衡问题。我们声称通过鼓励对聚类之间的语义一致性和正交性进行两个损失函数，解决了聚类中的域对齐问题，而且还提出一种解决类不平衡的问题的损失函数。实验证明，我们的方法在各种域适应设置中均能提高语义分割的适应性能，并超越了现有技术水平。

Dec, 2020

基于补丁对比学习的语义分割领域自适应

本文介绍了一种新的无监督和半监督领域适应方法，利用对比学习通过对跨域中的结构相似标签块的特征进行对齐来弥合域差距，以便更容易训练和提高性能。此方法在两个具有挑战性的领域适应分割任务中始终优于现有的无监督和半监督方法，特别是当目标域注释数量很小时。

Apr, 2021

自监督对比学习与自训练在语义分割的无监督领域自适应中的应用

本文提出了一种基于对比学习和自我训练的方法，该方法可以很好地应用于不同领域的实例进行语义分割，可以将语义类别在跨域上进行对齐，从而达到更好的结果。

May, 2021

基于语义分布感知的语义分割对比自适应

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

区域对比一致性正则化的域自适应语义分割

本文提出了一种基于区域对比一致性正则化（RCCR）、动量投影头和记忆库机制的无监督域自适应语义分割方法，旨在提高在不同环境下的分割精度。实验证明，该方法优于现有的基准方法。

Oct, 2021

语义图像分割的无监督域自适应：综述

本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

Dec, 2021

一次性无监督域自适应语义分割的风格混合和分块原型匹配

本文提出了一种新的一次无监督域自适应方法，该方法将多个样式混合层集成到分割器中，用于对源图像进行样式转移，同时提出了一种基于块原型匹配的方法来加权考虑源像素的重要性，从而在一次训练中缓解负面适应，并且在两个常用的基准测试中取得了新的最优性能，比所有比较方法更高效。

Dec, 2021

语义分割的无监督对比域自适应

通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在Cityscapes数据集上的表现始终优于最先进的方法。

Apr, 2022

双向对比学习用于领域自适应语义分割

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

基于双层交互的领域自适应语义分割

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