基于度量学习的自训练用于语义分割的无源域自适应

无监督无源域自适应方法旨在利用预训练源域模型和无标签目标域数据来训练目标域模型，尤其是在由于知识产权或隐私问题导致源数据不可访问的情况下。传统方法通常使用带伪标签的自训练，其往往依赖于基于预测置信度的阈值处理。然而，这种阈值处理因监督不足而限制了自训练的有效性。在無源設定下该问题更为严重，因为监督仅来自预训练源模型的预测。在本研究中，我们提出一种新方法，引入均值教师模型，其中学生网络使用教师网络的所有预测进行训练。我们不对预测进行阈值处理，而是提出一种基于教师预测可靠性对伪标签计算出的梯度进行加权的方法。为评估可靠性，我们提出一种基于代理的度量学习新方法。我们的方法在合成到真实以及跨城市场景中得到评估，展现出优于现有最先进方法的性能。