语义分割的无监督域自适应方法研究

摘要

语义分割算法的快速发展推动了计算机视觉任务的进步,但受限于数据间存在的分布差异,训练好的模型无法较好的扩展到其他领域的数据上。无监督域自适应方法可以在不产生额外标记成本的条件下,通过对齐不同域的数据的特征,使得分割模型可以迁移到其他域的数据上使用,这使得无监督域自适应方法受到大量研究人员的关注。文章围绕无监督域自适应中的不同场景,包括单源-单目标、多源-单目标、单源-多目标三种情况展开进行讨论;然后,对常用来做无监督域自适应的城市场景的数据集进行介绍;最后对基于语义分割的无监督域自适应方法进行小结与展望。