摘要

许多无监督域适应（UDA）方法已被提出，通过利用域不变信息来弥合域间差距。大多数方法选择深度作为此类信息，并取得了显著的成功。然而，尽管这些方法有效，但在UDA任务中使用深度作为域不变信息可能会导致多个问题，例如过高的提取成本和难以实现可靠的预测质量。因此，我们引入了基于边缘学习的域适应（ELDA），这是一种将边缘信息纳入训练过程以作为域不变信息的框架。在我们的实验中，我们从定量和定性的角度证明了融合边缘信息确实是有益且有效的，并使ELDA在两个常用的基于语义分割的UDA任务基准上超越了当前最先进的方法。此外，我们还展示了ELDA能够更好地分离不同类别的特征分布。为进一步验证我们的设计决策，我们提供了消融分析。注释：- 无监督域适应（Unsupervised Domain Adaptation, UDA）- 基于边缘学习的域适应（Edge Learning based Domain Adaptation, ELDA）- 消融分析（Ablation Analysis）