消除偏差：道路场景分割器的跨城市适应

尽管基于深度学习的语义分割近期取得了成功，但由于数据集偏差，将预训练的道路场景分割器部署到训练集中未出现图像的城市将无法获得满意性能。不同于收集大量感兴趣城市的标注图像来训练或精调分割器，我们提出一种无监督学习方法来使道路场景分割器跨城市适应。通过利用谷歌街景及其时间机器功能，我们可以在不同时间收集每个道路场景的未标注图像，从而提取相应的静态物体先验。通过推进一种联合全局与类别特定的域对抗学习框架，预训练分割器对该城市的适应得以实现，无需任何用户标注或交互。我们表明，我们的方法提升了跨大洲多个城市的语义分割性能，同时与需要标注训练数据的最先进方法相比表现优异。