通过边缘拼接保留置信熵的鲁棒无监督域自适应

无监督域自适应的泛化能力可通过在合成数据上以计算机生成的标注作为源来训练模型，从而缓解训练语义分割网络所需的大量像素级标注需求。基于熵的对抗网络被提出用于改善源域预测；然而，它们忽视了重要的外部信息，例如边缘，而边缘有潜力准确识别和区分图像中的各种物体。为解决此问题，我们引入一种新颖的域自适应方法，利用基于熵的对抗网络内部与外部信息的协同作用。在该方法中，我们在此创新框架内以边缘预测概率值丰富判别器网络，以增强类边界的清晰度。此外，我们设计了一个概率共享网络，整合多样信息以实现更有效的分割。引入物体边缘解决了无监督域自适应中一个关键却被长期忽视的方面——物体边界的精确勾勒。传统的无监督域自适应方法通常围绕对齐特征分布展开，可能并未显式建模物体边界。我们的方法通过提供物体边界的清晰引导有效弥合了这一差距，从而提升了域自适应的质量。我们的方法在既定的无监督域自适应基准上经受了严格评估，具体为 SYNTHIA $\rightarrow$ Cityscapes 与 SYNTHIA $\rightarrow$ Mapillary 的适配。实验结果表明，所提模型取得了优于最先进方法的性能。在不同无监督域自适应场景下的优越性能凸显了所提方法的通用性与鲁棒性。