面向开放复合域适应的基于幅值的课程学习与 Hopfield 分段模型 (AH-OCDA)

开放复合域适应 (OCDA) 是一种实际的域适应问题，包含源域、目标复合域和未出现的开放域。在该问题中，复合域和开放域缺乏域标签和像素级分割标签，这给了直接应用现有域适应和泛化方法以来的挑战。为此，我们提出了基于幅值的课程学习和一种 Hopfield 分段模型用于开放复合域适应 (AH-OCDA)。我们的方法由两个互补组件组成：1) 基于幅值的课程学习；2) Hopfield 分段模型。在无需对复合域内目标域先验知识的情况下，基于幅值的课程学习通过快速傅里叶变换 (FFT) 对无标记复合域图像进行排序，从而逐步诱导语义分割模型从靠近源域的复合域适应到远离源域的复合域。此外，Hopfield 分段模型将来自任意域的分割特征分布映射到源域的特征分布。AH-OCDA 在两个 OCDA 基准测试及其扩展开放域上实现了状态-of-the-art 性能，展示了其对持续变化的复合域和未出现的开放域的适应性。