3.FSDR学习-文章解读

语义分割：从像素级别来理解图像的。将标签或类别与图片的每个像素关联的一种深度学习算法。它用来识别构成可区分类别的像素集合。例如，自动驾驶汽车需要识别车辆、行人、交通信号、人行道和其他道路特征。

有些类似ps抠图

无监督学习：直接对数据进行建模。没有给定事先标记过的训练范例，所用的数据没有属性或标签这一概念。事先不知道输入数据对应的输出结果是什么。

原文：从标记的源域和未标记的目标域学习域不变/对齐特征来解决域不匹配问题。
领域泛化：它在训练中不需要目标领域数据就可以学习领域不变特征。

原文： 一种创新的频率空间域随机化（FSDR）技术：将图像转换为频率空间，并通过识别和随机化域可变频率分量（DVF）来执行域泛化，同时保持域不变频率分量（DIF）不变。

创新点与贡献：

1.文章提出了一种创新的频率空间域随机化技术，将图像转换为频率空间，并在保持DIF不变的情况下仅通过改变DVF实现域随机化。

2.在频率空间设计了两种随机化方法，分别通过经验实验和动态学习有效地识别DVF和DIF。

3.在多领域泛化任务上的大量实验表明实现了优越的语义分割。

频率-空间域随机化（FSDR）技术，包括三个主要部分：静态识别DIF和DVF的频谱分析、FSDR中研究DIF和DVF如何进行域随机化的频谱分析，以及显示域随机化可以通过频谱学习实现的频谱学习。