ssshyeong的博客

域自适应语义分割的目的是在监督源域数据的情况下学习模型，并在未标记的目标域上产生令人满意的密集预测。为解决上述问题，我们建议直接探索目标域数据的内在像素分布，而不是过度依赖源域。具体来说，我们同时对像素进行聚类，并使用获得的聚类分配对标签进行整流。这个过程以在线的方式完成，因此伪标签可以与分割模型共同进化，而不需要额外的训练。为了克服长尾类的类不平衡问题，我们采用一种分布对齐技术，使簇分配的边缘类分布接近于伪标签的边缘类分布。所提出的方法，即类平衡像素级自标记(CPSL)

本文基于在源域和目标域中执行的域自适应框架在图像翻译和SSL方面几乎是互补的这一观察，我们提出了一种新的双路径学习（DPL）框架来缓解视觉不一致性。事实上，DPL包含两条互补的、交互的、分别在源域和目标域对齐的单域适配管道。DPL的推理非常简单，仅在目标域中使用一个分割模型。提出了双路径图像翻译和双路径自适应分割等新技术，使两条路径以交互方式相互促进。

提出了一种基于生成对抗网络(GANs)的方法，首先将DCNN获得的中间特征表示投影到图像空间，通过使用L1和对抗性损失的组合训练重建模块。然后，我们通过强制网络学习特征来施加域对齐约束，使源特征在传递给重构模块时产生类似目标的图像，反之亦然。

本文研究了语义分割中的无监督域自适应问题,建议利用这种跨领域的不变性，利用结构化语义分割输出中成对像素之间的并发模式。我们对相邻像素之间的关联关系(称为源域和目标域的关联空间)进行域适应。为此，我们制定了两种关联空间适应策略:关联空间清洁策略和对抗性关联空间对齐策略。大量的实验表明，所提出的方法在跨域语义分割的几个具有挑战性的基准上比一些最先进的方法具有更好的性能。...

本文提出了一种基于分离语义特征的领域适应网络SSF-DAN，用于语义分割。首先，设计了一个语义可分离鉴别器(SS-D)来独立适应跨目标域和源域的语义特征，解决了类级对抗学习中适应不一致的问题。在SS-D中，为了实现更可靠的分离，引入了渐进置信策略。然后，引入一个有效的类级别上的对抗损失重加权模块(CA-R)来平衡类级别上的对抗学习过程，使生成器更多地关注适应性差的类。该框架展示了健壮的性能，优于基准数据集上的最先进的方法。

提出了一种新的无监督领域自适应语义分割方法。为了从源域获取知识，我们首先学习一组基来描述源域的特征分布，然后将源域和目标域的特征重新表示为源基的加权和。此外，还引入了一个鉴别器，使得两个域特征在相同基下的重表示责任无法区分。然后，我们将特征重表示与原始的特定领域特征相结合，进行后续的像素级分类。为了进一步使重新表示的目标特征具有语义意义，提出了一种可靠的伪标签再训练（RPLR）策略，该策略利用多视点源图像训练网络的预测一致性，在未标记的目标图像上选择干净的伪标签进行重新训练。

提出了一个新的语义分割框架，该框架的关键组成部分是颜色映射生成对抗网络(ColorMapGANs)，它可以生成语义上与训练图像完全相同的虚假训练图像，但其光谱分布类似于测试图像的分布。然后，我们使用伪图像和训练后的真实图像来微调已经训练过的分类器，ColorMapGAN中的生成器没有任何卷积层或池化层。它学习将训练数据的颜色转换为测试数据的颜色，只需要执行一次元素矩阵乘法和一次矩阵加法操作。

ACE，这是一个语义分割框架，可以随着时间的推移动态地适应不断变化的环境。通过将原始源域中的标记训练数据的分布与移位域中的传入数据的分布相一致，ACE为它所看到的环境合成标记训练数据。然后使用这些样式化的数据更新分割模型，使其在新环境中表现良好。为了避免忘记过去环境中的知识，我们引入了一种存储以前看到的域的特征统计信息的内存。这些统计数据可以用来重放之前观察到的任何域中的图像，从而防止灾难性遗忘。

为了解决用于语义分割任务的无监督域适应问题，提出一个域不变结构提取(DISE)框架解决图像域不变结构和特定于域的纹理表示,进一步实现了图像的跨域翻译和标签转移，提高了分割性能。

DRANet将图像表示分离，并在潜在空间中传输视觉属性，以实现无监督的跨域自适应。与现有的学习共享一个域的相关特征的域自适应方法不同，DRANet保留了每个域特征的独特性。我们的模型对源图像和目标图像的内容（场景结构）和风格（艺术外观）的单独表示进行编码。然后，它通过将转换的样式因子和为每个域指定的可学习权重合并到内容因子中来调整域。该学习框架允许使用单个编码器网络进行双向/多向域自适应，并调整其域转移。内容自适应域传输模块，该模块有助于在传输样式的同时保留场景结构。

在本文中，我们提出了一种新的双向学习框架，用于领域自适应分割。通过双向学习，图像翻译模型和分割适应模型可以交替学习并相互促进。此外，我们还提出了一种自监督学习算法来学习更好的分割适应模型，从而改进图像翻译模型。

我们提出了一种学习在没有成对例子的情况下将图像从源域X转换为目标域Y的方法。我们的目标是学习一种映射G: X→Y，使G(X)的图像分布与使用对抗性损失的分布Y难以区分。我们将它与一个逆映射F: Y→X耦合，并引入一个循环一致性损失来强制F (G(X))≈X(反之亦然)。在不存在配对训练数据的几个任务上给出了定性结果.

提出了循环一致对抗域适应算法(CyCADA)，该算法在像素级和特征级对表示进行适应，同时通过像素循环一致性和语义损失实现局部和全局结构一致性。CyCADA整合了之前的特征级别和图像级别对抗域自适应方法和循环一致的图像到图像翻译技术.

CVPR2021半监督图像语义分割，为了解决SSDA的任务，提出了一种**基于双层域混合**的新框架。拟议的框架包括三个阶段。首先，提出了两种数据混合方法，分别在区域级和样本级减小域间距。基于两个层次的混合数据，我们可以分别从整体和局部的角度获得两个互补的领域混合教师。然后，通过从这两位老师那里提取知识来学习一个学生模型。最后，以自我培训的方式生成未标记数据的伪标签，用于另外几轮教师培训。

我们解决了基于像素预测熵的有损失语义分割中的无监督域自适应任务。为此，我们提出了两种新的互补方法，分别使用（i）熵损失和（ii）对抗性损失。我们在两个具有挑战性的“合成-->真实”上演示了语义分割的最新性能，并表明该方法也可用于检测。

本研究中，我们提出了一种两步自监督域自适应方法来最小化域间和域内的差距。首先，我们对模型进行域间适应;从这个适应中，我们使用基于熵的排序函数将目标域分割成简单和困难的分割。最后，为了减小域内差距，我们提出了一种自监督自适应技术，由容易分割到难分割。在大量基准数据集上的实验结果突出了我们的方法相对于现有先进方法的有效性。

第一个使用领域对抗思想完成语义分割的论文

对语义分割的深层网络的无监督域自适应（UDA）的最新进展进行综述。

使用纯Transformers取代基于堆叠卷积层的编码器，逐渐降低空间分辨率，从而产生一种新的分段模型，称为分段Transformers（SETR）

设计了一个即插即用的通用模块：context prior layer（上下文先验层）。在这个层中，根据GT首先形成的Ideal Affinity Map去监督类内和类间信息的产生，从而从原理上规范了类内和类间上下文信息的分离。

CascadePSP：是一个对从低分辨率到高分辨率图像都能很好的改善分割结果的改良框架。模型将初始MASK作为输入，该MASK可以是任何算法的输出，以提供粗略的对象位置。然后CascadePSP会输出一个精致的MASK。