基于协作一致性学习的多目标域自适应

由于真实世界图像上像素级标注成本高昂，近期面向语义分割任务的无监督域自适应变得越来越流行。然而，大多数域自适应方法仅限于单源-单目标对，无法直接扩展到多个目标域。本文中，我们提出一种协作学习框架以实现无监督多目标域自适应。首先为每个源-目标对训练一个无监督域自适应专家模型，并通过在不同目标域之间建立的桥梁进一步鼓励它们相互协作。通过添加使每个具有相同时空结构上下文的样本产生一致像素级预测的 regularization，这些专家模型得到进一步改进。为获得一个跨多个目标域工作的单一模型，我们提出同时学习一个学生模型，该模型不仅被训练为模仿每个专家在相应目标域上的输出，还通过对其权重的 regularization 将不同专家相互拉近。大量实验表明，所提方法能有效利用有标签源域和多个无标签目标域中包含的丰富结构信息。它不仅在多个目标域上表现良好，而且相对于专门在单源-单目标对上训练的最先进（state-of-the-art）无监督域自适应方法也表现优异。