论文地址：https://arxiv.org/pdf/2203.06811.pdf

摘要

在本文中，我们提出了一种直接适应策略（ADAS），该策略旨在在没有鉴定的域特异性模型的情况下，在语义分割任务中直接将单个模型调整为多个目标域。为此，我们设计了一个多目标域传输网络（MTDT-NET），该网络通过通过新的目标自适应脱位（TAD）模块传输域独特特征来使跨域的视觉属性对齐。此外，我们提出了一个双向自适应区域选择（BAR），该选择通过自适应选择具有一致特征统计的区域来降低类标签之间的属性歧义。我们表明，我们的单个MTDT-NET可以通过复杂的驾驶数据集合成视觉上令人愉悦的域传输图像，并且杆有效地滤除了每个目标域的不必要的训练图像区域。通过MTDT-NET和酒吧的合作，我们的ADA达到了多目标域适应性（MTDA）的最新性能。据我们所知，我们的方法是第一种直接适应语义分割中多个域的MTDA方法。

主要贡献

据我们所知，我们的多目标域的适应方法是第一种直接使任务网络在没有鉴定性的STDA模型中的多个目标域中调整任务网络的第一种方法。广泛的实验表明，所提出的方法在语义分割任务上实现了最新的性能。最后，我们证明了拟议的MTDT-NET和条的有效性。

实验

我们将DeepLabv2+ResNet101用于我们的分割网络，如其他常规作品中使用。我们将DRANet的相同编码器和发电机结构与组归一化一起使用。对于我们的多头歧视器，我们使用patchGAN Incisiminator [19]和两个完全连接的层作为域分类器。我们使用预训练ImageNet VGG19网络[50]作为感知网络，并计算层的感知损失4 2.我们使用随机梯度下降优化器[2]，学习速率为2.5×10-4，动量为0.9，训练分割网络的重量衰减为5×10-4。我们使用Adam [25]优化器，学习率为1×10-3，动量为0.9和0.999，重量衰减为1×10-5，用于训练MTDT-NET的所有网络。

内容中包含的图片若涉及版权问题，请及时与我们联系删除