ECAP：基于大规模剪切粘贴增强的无监督域自适应语义分割

使用DACs方法，混合源领域的标签数据和目标领域的伪标签数据进行训练，可以有效解决基于卷积神经网络的语义分割模型在新领域的通用性问题。

提出基于伪标签的无监督域适应(MFA)方法，通过融合跨模型、时间和在线离线伪标签等策略，提高语义分割适应性，在基准测试中达到58.2%和62.5%的mIOU。

提出一种算法，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，以便在目标域中泛化。

提出基于实例适应的自我训练框架，采用新的伪标签生成策略和区域引导正则化方法，在多个数据集上获得更好的性能表现。

提出因果原型启发的对比适应方法(CPCA)，通过因果特征分解模块和因果原型对比模块，提高了模型的泛化能力，在多个跨域任务中表现优异。

提出基于自我监督领域自适应的方法，利用语义分割模型的尺度不变性属性，过滤不可靠的伪标签，解决类别不平衡问题，实验结果显示优于现有方法。

提出基于迭代自训练的无监督域自适应框架，引入空间先验改善生成的标签，在多个主要UDA设置下实现最先进的语义分割性能。

提出利用多头框架和自学习提取可靠目标伪标签的方法，改善伪标签质量，实验证明在标准测试基准上表现优异。

提出基于IAPC学习的端到端无源领域适应语义分割方法，解决现实驾驶场景中的领域转移问题，实验结果优于现有方法。

提出使用无领域先验(DAP)正则化交叉域表示学习的无监督域自适应方法，在标准评估协议中表现出优秀的语义分割准确性。