52、D2ADA：用于语义分割的动态密度感知主动域适应

D2ADA：用于语义分割的动态密度感知主动域适应

1. 引言

语义分割在许多智能系统（如自动驾驶汽车和机器人技术）中至关重要。过去十年，有监督的深度学习方法在丰富标注数据集的辅助下取得了巨大成功。然而，手动逐像素标注大规模数据集在时间和精力上成本仍然很高。因此，一些先前的工作利用域适应技术，将从整个标注源域（如模拟游戏环境）学到的知识转移到现实世界未标注的目标域。

在域适应领域，模型性能和目标域标注量之间存在权衡。有足够的目标域手动标注时，监督学习方法可以达到较高性能；但没有任何目标标注时，无监督域适应（UDA）方法的性能仍远低于全监督。因此，更合理的方式是在模型性能和标注成本之间取得平衡。

主动学习通过少量信息丰富的标注数据最大化模型性能，适用于这种场景。过去几年，一些工作利用模型不确定性或数据多样性作为指标来选择有价值的样本进行标注。但最近一些结合不确定性和多样性的主动域适应（ADA）方法存在两个显著缺陷：一是探索目标域分布的现有技术效率不高，选择远离源域分布的样本可能导致离群值或有偏差的数据，标注目标域中的多样化数据可能导致不必要的标注；二是在ADA问题的前几轮中，不确定性测量的信息价值较低，严重依赖不确定性线索在低标注预算下会导致结果不佳。

为解决这些问题，提出了动态密度感知主动域适应（D2ADA）框架用于语义分割。通过选择目标域中概率密度高但源域中概率密度低的样本进行标注，以最小的查询标签使模型适应目标域。还设计了动态调度策略，随着时间调整域探索和模型不确定性之间的标注预算。实验表明，D2ADA在两个广泛使用的基准测试（GTA5 → Cityscapes和SYNTHIA → Cityscapes）上超越了现有的主动学习和域适应基线，使用不到5%的目标