摘要

我们研究了语义分割中的无监督域适应问题。该问题的关键在于减少域偏移，即强制两个域的数据分布相似。一种流行的方法是通过对抗学习在特征空间中对齐边缘分布。然而，这种全局对齐策略并未考虑局部类别级别的特征分布。全局迁移的一个可能后果是，某些原本在源域和目标域之间对齐良好的类别可能会被错误映射。为了解决这一问题，本文引入了一种类别级别的对抗网络，旨在在全局对齐趋势中保持局部语义一致性。我们的思路是仔细分析类别级别的数据分布，并通过自适应的对抗损失来对齐每个类别的特征。具体而言，我们降低了已对齐良好类别特征的对抗损失权重，同时增加了未对齐良好类别特征的对抗力度。在此过程中，我们通过协同训练方法来判断一个特征在源域和目标域之间是否已经很好地实现了类别级别对齐。在两项域适应任务（即GTA5 → Cityscapes和SYNTHIA → Cityscapes）中，我们验证了所提出的方法在分割精度上达到了当前最先进的水平。