基于光度对齐与类别中心正则化的由粗到细域自适应语义分割

语义分割中的无监督域自适应（UDA）是一项基础而有前景的任务，可缓解对繁重标注工作的需求。然而，该任务中的域偏移/差异问题会损害最终的分割性能。根据我们的观察，域偏移的主要成因是成像条件差异（称为图像级域偏移）和对象类别配置差异（称为类别级域偏移）。本文提出了一种新颖的 UDA 流程，以由粗到细的方式统一图像级对齐与类别级特征分布正则化。具体而言，在粗粒度侧，我们提出一种光度对齐模块，利用一组图像级算子将源域图像与目标域的参考图像对齐；在细粒度侧，我们提出一种面向类别的三元组损失，对源域中的类别中心施加软约束，并在目标域中采用自监督一致性正则化方法。实验结果表明，我们所提出的流程提升了最终分割模型的泛化能力，并显著优于此前所有最优方法。