前言:
本篇论文是在《No More Discrimination: Cross City Adaptation of Road Scene Segmenters》的基础上发展起来的。
semantic-wise
传统的class-wise域自适应方法,使用全部的伪标签来作为对抗学习分类的标签,但是由于伪标签不一定全部正确,所以此方法存在一些问题–每个class-wise之间的域自适应方向可能不一致(明明我是这一类,但是由于错误的伪标签,偏偏要把我引导向另外一类的分布,这就导致了域自适应的方向不一致性)。然后作者就提出了一种新的基于semantic-wise的域自适应方法。其实质就是把伪标签最中一些置信度较低的像素去掉,只留下那些置信度较高的像素作为伪标签,从而到达解耦合的目的(使各个语义之间不再相互关联)。
Progressive confidence strategy
这个策略用来筛选伪标签中那些高置信度的像素。置信度阈值如下:
Class-wise Adversarial Loss Reweighting
除此之外,作者还使用了一个凸函数做非线性变换来提高低置信度类别的权重。