研究介绍
近年来，源域数据不可见的域自适应技术发展迅速，通过将训练好的源模型适应到目标域，而不是使用源数据，从而保护数据隐私和知识产权。然而，之前域适应方法中的特征对齐技术在这一具有挑战性的问题中不可行。因此，我们探讨了域不变特征学习，并提出了一种课程式自训练方法，用于无源域自适应语义分割。具体来说，我们引入了一种课程式熵最小化方法，以挖掘源模型中的隐含知识，该方法利用从易到难的预测信息，使训练好的源模型适应目标数据。然后，通过我们提出的互补课程式自训练方法训练分割网络，该方法按照课程学习的方式利用了负伪标签和正伪标签。尽管高不确定性的负伪标签无法被识别为正确标签，但它们可以明确指示缺失的类别。此外，我们采用了一种信息传播方案，进一步减少目标域内的域内差异，这可以作为域适应领域的标准后处理方法。此外，我们将提出的方法扩展到更具挑战性的黑盒源模型场景，仅使用源模型的预测。大量实验验证了我们的方法在无源语义分割任务中，在合成到真实和复杂天气条件数据集上均取得了最先进的性能。
代码：https://github.com/yxiwang/ATP
论文：https://ieeexplore.ieee.org/abstract/document/10609344
