语义分割中无监督域适应的潜空间正则化

用于语义分割的深度卷积神经网络取得了卓越的精度，但它们也存在若干主要缺陷：首先，它们对与训练数据分布略有差异的分布泛化能力不佳；其次，它们的优化需要海量标注数据。本文引入特征级空间塑造正则化策略以缩减语义分割中的域差异。具体而言，为此我们联合对对应于源域与目标域样本的特征向量施加聚类目标、正交性约束与范数对齐目标。此外，我们提出一种新度量，能够捕捉相较于有监督训练，一种适应策略的相对有效性。我们在自动驾驶设定中验证了这些方法的有效性，在多个合成到真实道路场景基准上取得了最先进的结果。