摘要

无监督域适应（UDA）在难以大规模标注代表性数据的应用中具有重要意义。特别是在语义分割领域，它有助于将在不同“源域”（如虚拟环境）中标注的图像上训练的模型部署到真实的“目标域”数据上。然而，大多数先前的研究仅将语义分割视为源域数据的唯一监督模式，而忽略了其他可能可用的信息，例如深度。在本研究中，我们旨在充分利用这种特权信息来训练UDA模型。我们提出了一种统一的深度感知UDA框架，该框架以多种互补的方式利用源域中的密集深度知识。结果表明，训练后的语义分割模型在目标域上的性能得到了显著提升。我们的新方法确实在不同的具有挑战性的合成到真实基准测试中达到了最先进的性能。