**
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: