针对持续变化条件下的语义分割的在线域适应

无监督域适应（UDA）旨在减小训练与测试数据之间的域差距，且在大多数情况下以离线方式执行。然而，域变化可能在部署期间持续且不可预测地发生（例如突发的天气变化）。在此类条件下，深度神经网络准确率急剧下降，离线适应可能不足以应对。本文中，我们解决语义分割的在线域适应（OnDA）问题。我们设计了一个对连续域偏移（无论是渐进的还是突发的）具有鲁棒性的流水线，并在雨天和雾天场景中进行了评估。我们的实验表明，我们的框架能在部署期间有效适应新域，同时不受对先前域灾难性遗忘的影响。