摘要

语义分割旨在预测每个像素的类别标签，已成为计算机视觉诸多应用中的热门任务。尽管全监督分割方法在大规模视觉数据集上取得了较高的精度，但在面对新的测试环境或新领域时，其泛化能力仍显不足。本文首先提出一种新的“非对齐域评分”（Un-aligned Domain Score），用于在无监督条件下衡量模型在新目标域上的性能效率。随后，我们提出一种新的双射最大似然损失（Bijective Maximum Likelihood, BiMaL），该损失函数是无需假设像素独立性的对抗熵最小化方法的广义形式。我们在两个不同域上对所提出的BiMaL方法进行了评估，实验结果表明，在“SYNTHIA到Cityscapes”、“GTA5到Cityscapes”以及“SYNTHIA到Vistas”三个典型域适应任务中，该方法在各项指标上均持续优于当前最优（SOTA）方法。