摘要

近年来，由于现实世界图像的像素级注释成本高昂，无监督域适应在语义分割任务中变得越来越受欢迎。然而，大多数域适应方法仅限于单源单目标对，无法直接扩展到多个目标域。在这项工作中，我们提出了一种协作学习框架，以实现无监督多目标域适应。首先为每个源-目标对训练一个无监督域适应专家模型，并通过在不同目标域之间建立桥梁来鼓励这些模型之间的协作。为了进一步改进这些专家模型，我们增加了正则化项，使每个样本在相同结构上下文中进行一致的像素级预测。为了获得一个能够在多个目标域上工作的单一模型，我们提出同时学习一个学生模型，该模型不仅被训练模仿每个专家在其对应的目标域上的输出，还通过对其权重施加正则化来拉近不同专家之间的距离。广泛的实验表明，所提出的方法能够有效利用标记源域和多个未标记目标域中包含的丰富结构信息。该方法不仅在多个目标域上表现出色，而且在针对单源单目标对专门训练的最先进的无监督域适应方法中也具有竞争力。