ADVENT：对抗熵最小化在语义分割中的领域适应

语义分割是许多计算机视觉任务中的关键问题。尽管基于卷积神经网络的方法在不同基准测试中不断刷新记录，但在多样化的测试环境中实现良好的泛化仍然是一个主要挑战。在众多实际应用中，训练域和测试域之间的数据分布确实存在较大差距，这导致了运行时性能的严重下降。本文中，我们针对无监督领域适应任务提出了两种新的、互补的方法，分别使用（i）熵损失和（ii）对抗损失。我们在两个具有挑战性的“合成到真实”设置中展示了语义分割领域的最先进性能，并证明该方法也可用于目标检测。