划分、集成与征服：自主域适应中的最后一英里 - 车载语义分割

Jun, 2024

划分、集成与征服：自主域适应中的最后一英里 - 车载语义分割

Divide, Ensemble and Conquer: The Last Mile on Unsupervised Domain Adaptation for On-Board Semantic Segmentation

Tao Lian, Jose L. Gómez, Antonio M. López

TL;DR提出了 DEC，这是一个灵活的多源数据集的 UDA 框架，通过将语义类别进行分类，并使用仅在合成数据集上训练的集成模型将它们的输出融合，来解决研究中的合成多源数据集的挑战，以获得最终的分割掩模，并可以与现有的 UDA 方法相结合，在 Cityscapes、BDD100K 和 Mapillary Vistas 上实现了最先进的性能。

Abstract

The last mile of unsupervised domain adaptation (UDA) for semantic segmentation is the challenge of solving the syn-to-real domain gap. Recent UDA methods have progressed significantly, yet they often rely on str

unsupervised domain adaptation semantic segmentation syn-to-real domain gap multi-source datasets ensemble model

发现论文，激发创造

基于深度感知的语义分割域自适应

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

语义分割中的无监督域适应：综述

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

面向实例分割的合成到真实的无监督领域自适应

UDA4Inst 是一种适用于自动驾驶中实例分割的合成到真实领域无监督域适应模型，通过引入新颖的交叉域双向实例级混合数据方法充分利用了源域和目标域的数据，并采用稀有类别平衡和类别模块训练进一步提高了性能。在新的合成到真实实例分割基准测试上，UDA4Inst 分别在 UrbanSyn->Cityscapes 和 Synscapes->Cityscapes 上达到了 39.0 mAP 和 35.7 mAP，同时在 SYNTHIA->Cityscapes 上的性能为 31.3 mAP，比最新方法高出 15.6。

May, 2024

多领域判别器与自适应自训练的无监督领域自适应

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

基于循环一致性和特征对齐的移动语义分割无监督领域自适应

本研究提出了一种基于无监督域自适应（UDA）策略的语义分割方法，该方法利用对抗性模型实现了合成域和真实域之间的映射，利用 MobileNet-v2 架构实现了语义分割，并在特征级别增加了两个辨别器以提高性能。经实验证明，该方法能够在将分割网络训练为适应于真实世界场景时取得优异的性能。

Jan, 2020

SegDA：基于伪标签的最大可分离段掩膜的领域自适应语义分割

通过使用 SynthDA 模块、Equiangular Tight Frame (ETF) 分类器以及噪声校正等方法，我们的研究论文在四个不同的领域适应性基准测试上都取得了显著的改进。

Aug, 2023

基于无监督域自适应的语义分割的集成蒸馏再思考

提出了一种灵活的 “ensemble-distillation 框架”，用于执行基于语义分割的无监督域自适应任务，允许任意组成集合的成员，同时保持其优越性能。通过在 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes 基准测试上进行广泛的实验，证实所提出方法的优越性能、鲁棒性和灵活性。

Apr, 2021

基于内部表示的在线连续域适应语义图像分割

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

无监督领域适应学习用于语义分割的内容迁移技术

本研究提出了一种基于内容和风格分离的零风格损失的无监督域自适应方法，通过将合成数据的标注用于真实数据的分割，有效地解决了语义分割中的领域间差异和类别不平衡问题。

Dec, 2020

语义分割的无监督域自适应重新思考

该论文研究了利用少量标记数据来对无监督领域适应（UDA）进行数据中心性思考，并探究了如何优选经典的 UDA 方法的超参数和使用少量标记数据进行微调的效果。

Jun, 2022