TPAMI 2024｜告别手动标注！这项研究用伪影创造语义分割自动又可靠！

主要观点总结

文章提出了一个新颖的无监督领域自适应方法，用于语义分割。它利用特征重表示对齐（FRA）和可靠的伪标签重训练（RPLR）策略，通过源领域的信息和目标领域特定特征结合，构建更具辨别力的目标领域表示。FRA通过从源领域特征中学习一组基来表征源数据分布，然后源域和目标域的特征都在同一组源域基下重新表示，从而最小化领域差距。RPLR策略则利用通过多视源图像训练的网络的预测一致性，选择可靠的伪标签进行重训练，使重表示的目标特征在语义上更有意义。广泛的实验表明，该方法在语义分割基准的无监督领域自适应上取得了竞争力的性能。

关键观点总结

关键观点1: 特征重表示对齐（FRA）

FRA通过学习源领域特征的一组基来表征源数据分布，然后源域和目标域的特征都在同一组源域基下重新表示，从而最小化领域差距。

关键观点2: 可靠的伪标签重训练（RPLR）

RPLR策略利用通过多视源图像训练的网络的预测一致性，选择可靠的伪标签进行重训练，使重表示的目标特征在语义上更有意义。

关键观点3: 无监督领域自适应在语义分割的应用

该方法将源领域的信息和目标领域特定特征结合，构建更具辨别力的目标领域表示，从而在无监督领域自适应的语义分割任务中取得了竞争力的性能。