AdaEmbed: 嵌入空间中的半监督领域自适应
内容提要
该文综述半监督与无监督域自适应语义分割，涵盖SSDA、AdaMatch、跨域混合、原型对齐等方法，通过清除源标签噪声、一致性学习、特征聚类缩小域间差异，在Cityscapes等基准上优于现有方法。
延伸解读
方法演进：从独立到统一
文章梳理了域自适应语义分割的方法演进：早期工作如2020年的特征聚类和在线无监督方法侧重特征对齐；2021年AdaMatch尝试统一UDA、SSL和SSDA，使用相同超参数；2023年后的研究更注重混合策略和噪声处理。这一脉络显示领域正从孤立方法走向融合框架。
技术核心：混合与一致性
跨域混合、内域混合和一致性学习是近期SSDA的关键技术。跨域混合结合源域和目标域数据，内域混合利用目标域内部信息，一致性学习通过平均教师模型增强伪标签质量。这些方法共同缩小域间差异，在Cityscapes等基准上提升性能。
评估基准：合成到真实
文章多次提到GTA5到Cityscapes和SYNTHIA到Cityscapes的基准测试，这是域自适应语义分割的常用评估场景。合成数据提供大量标注，真实数据标注稀缺，模型需适应域偏移。在这些基准上的表现是衡量方法有效性的关键指标。
挑战与方向：噪声与差异
源标签噪声和目标域内差异是SSDA的主要挑战。文章提到通过清除源标签噪声、吸引-扰动-探索策略以及原型对齐等方法来应对。未来研究可能继续探索更鲁棒的噪声处理机制和更高效的特征对齐方式，以进一步提升跨域泛化能力。
Q&A
AdaEmbed 是什么？它主要解决什么问题？
AdaEmbed 是一种半监督领域自适应方法，通过学习源域的原型分布，将目标域分布与源域分布在嵌入空间中对齐，从而自适应预训练模型以便在目标域中泛化。它主要解决语义分割中的域自适应问题。
AdaEmbed 如何实现领域自适应？
AdaEmbed 通过学习源域的原型分布，在嵌入空间中将目标域分布与源域分布对齐，以此自适应预训练模型，使其在目标域中具有更好的泛化能力。
半监督领域自适应（SSDA）有哪些常见方法？
常见的 SSDA 方法包括：基于源自适应范式清除源标签噪声、结合跨域混合和内域混合、基于双层域混合结合数据混合与知识蒸馏、AdaMatch 统一 UDA/SSL/SSDA、基于一致性学习的平均教师模型、通过吸引/扰动/探索解决域内差异、基于特征聚类和正交性损失、具有领域内混合和邻域扩展的跨域集成等。
AdaMatch 方法有什么特点？
AdaMatch 统一了无监督域自适应（UDA）、半监督学习（SSL）和半监督域自适应（SSDA）任务，能在同一数据分布上训练并在另一数据分布上测试，且仅使用相同的超参数即可匹配或超过各领域最先进技术。
半监督领域自适应在语义分割中常用的基准数据集有哪些？
常用的基准数据集包括 GTA5toCityscapes 和 SYNTHIA2Cityscapes，这些是合成到真实的语义分割基准。
AdaEmbed 在领域自适应中有什么优势？
AdaEmbed 通过在嵌入空间中对齐源域和目标域的原型分布，能够自适应预训练模型，使其在目标域中泛化，从而提升语义分割模型在未注释领域的性能。
