ProtoGMM：基于多原型高斯混合的领域自适应语义分割模型

MGProto是一种新的原型分布生成学习方法，使用高斯混合模型来表示原型分布。

MGProto结合原型多样性目标函数，提高了表示能力并减少冗余。

MGProto在分类和异常样本检测方面表现优异，并具有良好的可解释性。

文中提到多种无监督领域自适应方法，强调通过原型学习和对比学习提升特征表示的有效性。

提出的无监督领域自适应方法通过像素-原型对比学习框架进行标记迁移，学习跨域不变且具有区分性的特征。

基于多级原型学习的半监督域自适应框架实现了卓越的SSDA性能。

高效的概率框架解决了无监督域自适应中的采样可变性、类别不平衡和数据隐私问题。

基于原型的均值教师方法通过使用类原型来保持域特定信息，降低了内存问题和过拟合风险。

在线无监督域自适应算法通过最小化源潜在特征与目标特征之间的分布距离，改善了图像的语义分割模型的泛化性能。