读论文《SSF-DAN: Separated Semantic Feature based Domain Adaptation Network for Semantic Segmentation》记录

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。