ECAP：基于大规模剪切粘贴增强的无监督域自适应语义分割
内容提要
本文探讨了多种无监督域适应方法在语义分割中的应用，包括伪标签训练、因果原型启发的对比适应和自我监督学习。这些方法通过不同策略提升了模型在新领域的泛化能力，实验结果在多个数据集上表现优异。
延伸解读
伪标签策略的演进与性能提升
文章梳理了多种基于伪标签的无监督域自适应方法。从DACs混合源域标签与目标域伪标签，到MFA融合跨模型、时间和在线离线伪标签，再到迭代自训练引入空间先验，伪标签质量不断提升。MFA在基准测试中达到58.2%和62.5%的mIOU，显示了伪标签策略的有效性。这些方法共同指向一个趋势：通过多源信息融合和迭代优化，伪标签的可靠性逐步增强，从而提升模型在新领域的泛化能力。
因果启发的域适应新思路
CPCA方法将因果推断引入域适应，通过因果特征分解模块分离因果特征与偏差特征，并利用因果原型对比模块学习域不变特征。因果干预模块生成反事实无偏样本，强制特征满足可分离性、不变性和干预原则。在三个跨域任务中，CPCA明显优于现有最先进方法。这为域适应提供了新视角：从因果机制出发，而非单纯依赖统计对齐，可能更本质地解决域偏移问题。
自监督与尺度不变性的利用
基于自监督的域自适应方法利用语义分割模型的尺度不变性，在不同尺度的补丁间转移标签，并通过动态类特定熵阈值过滤不可靠伪标签，使用焦点损失解决类别不平衡。在GTA5到Cityscapes和SYNTHIA到Cityscapes任务上，VGG16-FCN8基线分别提升1.3%和3.8%。这表明自监督信号能有效挖掘目标域内在结构，减少对源域标签的依赖，为域适应提供了可扩展的方向。
无源域适应与实际场景挑战
文章提及基于IAPC学习的端到端无源域适应方法，通过重视度感知机制和原型对比策略，从训练好的源模型和未标注目标域中学习特征，解决现实驾驶场景中的域转移问题。无源域适应不访问源数据，更符合隐私和存储限制的实际需求。该方法在两个基准测试中优于现有最先进方法，表明在无法获取源数据时，通过精心设计的特征学习仍能实现有效适应。
Q&A
无监督域适应在语义分割中有什么应用？
无监督域适应通过伪标签训练、因果原型启发的对比适应和自我监督学习等方法，提升了模型在新领域的泛化能力。
什么是基于伪标签的无监督域适应方法？
基于伪标签的无监督域适应方法通过融合跨模型、时间和在线离线伪标签等策略，提高语义分割的适应性。
因果原型启发的对比适应方法如何提高模型的泛化能力？
该方法通过因果特征分解和因果原型对比模块，学习域不变的因果特征，从而提高模型在不同领域的泛化能力。
自我监督领域自适应方法的优势是什么？
自我监督领域自适应方法利用尺度不变性属性过滤不可靠的伪标签，并解决类别不平衡问题，实验结果优于现有方法。
如何通过迭代自训练框架改善无监督域自适应？
迭代自训练框架通过引入空间先验和类平衡策略，改善生成的标签，从而在多个设置下实现最先进的语义分割性能。
无领域先验正则化交叉域表示学习的效果如何？
无领域先验正则化交叉域表示学习在将综合数据转移到真实数据的标准评估中表现出优秀的语义分割准确性。
