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

该论文探讨了解决语义分割领域中的域适应问题，提出了基于生成模型和像素级域对齐的方法，通过实验表明其在解决合成数据到真实场景的语义分割问题上的优越性。

Sep, 2020

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

本文提出了一种新的、针对视频语义分割的无监督域自适应方法，通过视频对抗训练和视频自我训练等网络，在实验中取得了优异的成绩，表明这一方法可以有效地将模拟数据转移到实际场景中，缓解视频领域对数据的需求。

Jul, 2021

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

提出了一种新的问题表述和相应的评估框架来推进无监督领域自适应语义图像分割的研究；介绍了一种在线学习的协议，旨在解决现有协议对于模型的领域局限性和离线学习性质导致算法难以在不断变化的环境中连续自适应的问题，并伴随着多种基准算法和广泛的行为分析。

Mar, 2022

本文提出了一种基于时序伪监督的方法（TPS）来进行视频语义分割，该方法可以在适应有标签的源域到无标签的目标域时，通过跨视频帧产生伪标签的方式缓解数据标注的限制，从而提升了处理多样性目标数据时的准确率。实验证明，TPS比现有技术更稳定，更简单易实现，且具有更高的视频语义分割准确率。

Jul, 2022

本调查总结了涵盖二十年的SiS研究，并提出了文献综述以及使用转换器的深度学习方法的最新趋势, 并强调了DASiS技术的影响，其中包括多域学习，域泛化和在对新环境进行分割时削减域。项目还介绍了几个与语义图像分割相关的任务和应用，如医学图像分割。

Feb, 2023

本文提出了一种运用自监督学习和运动导向的领域自适应语义分割框架（MoDA），以解决目标领域中缺乏标注的语义分割问题。MoDA通过利用对象运动的自监督学习，在前景和背景类别上采用不同的策略来处理领域间的差异，通过前景对象发现和语义挖掘以及背景对抗训练来提高准确性。实验结果表明，MoDA在领域自适应图像分割和领域自适应视频分割方面优于现有方法，并可与现有的先进方法相结合以进一步改善性能。

Sep, 2023

通过引入双向多级时空融合模块和类别感知的时空特征对齐模块，提出了一种新颖的DA-STC方法来解决视频语义分割任务中的领域自适应问题，并在多个具有挑战性的基准测试上取得了最先进的mIOUs。

Nov, 2023