域自适应——Learning to Adapt Structured Output Space for Semantic Segmentation

**

论文题目：Learning to Adapt Structured Output Space for Semantic Segmentation

**
论文地址：https://arxiv.org/abs/1802.10349
代码地址：https://github.com/wasidennis/AdaptSegNet

首先是基于pixel-level的理由：一方面，与基于特征描述图像全局视觉信息的图像分类不同，用于语义分割的高维特征编码了复杂的表示。因此，在特征空间中进行自适应不一定是语义分割的最佳选择。另一方面，虽然分割输出是在低维空间中，但其中包含丰富的信息，如场景布局和上下文。无论图像来自源域还是目标域，它们的分割都应该在空间和局部上具有很强的相似性。Thus, we utilize this property to adapt low-dimensional softmax outputs of segmentation predictions via an adversarial learning scheme.

1 整体框架

本篇论文是像素级别的域自适应，用了生成对抗网络的结构。网络结构包括语义分割网络G，鉴别器Di，i表示多层次对抗性学习中鉴别器的层次。*如图：