基于域相似度加权的多源软伪标签学习用于语义分割

本文描述了一种利用多个未必与目标数据集相关的源数据集进行语义分割的域自适应训练方法。我们提出一种通过整合多个源模型预测的目标概率来生成软伪标签的方法。每个源模型的预测基于源与目标数据集之间估计的域相似度进行加权，以强调在更相似于目标的源上训练的模型的贡献，并生成合理的伪标签。我们还提出了一种利用软伪标签并考虑其熵的训练方法，以充分挖掘源数据集的信息，同时抑制可能误分类像素的影响。实验表明，该方法性能与我们的前期工作及另一种现有的多源域自适应方法相当或更优，且可适用于多种目标环境。