摘要
近年来，语义分割的需求在多个不同的应用和环境中不断涌现。然而，标注的成本和冗余性通常限制了任何领域中可用于训练的标签数量，而如果一个模型能够在多个领域中表现良好，则部署会更加便捷。本文提出了一个新的问题——通用半监督语义分割，并提出了一种解决方案框架，以满足降低标注成本和部署成本的双重需求。与微调、联合训练或无监督域适应等方法不同，通用半监督分割确保在所有领域中实现以下目标：(i) 部署单一模型；(ii) 使用未标注数据；(iii) 提高性能；(iv) 只需少量标签；(v) 标签空间可能不同。为了解决这一问题，我们最小化了有监督损失以及域内和跨域的无监督损失，并引入了一种基于像素感知熵正则化的新型特征对齐目标。我们在不同地理区域（德国、英国、印度）和环境（户外、室内）的多个分割数据集组合上展示了与其他方法相比的定量优势，并提供了对对齐表示的定性见解。