摘要
我们提出了一种新的方法，称为自激励金字塔课程域适应（PyCDA），以促进从合成源域到真实目标域的语义分割神经网络的适应。我们的方法借鉴了两项现有工作的见解：课程域适应和自训练。受前者启发，PyCDA 构建了一个包含目标域多种属性的金字塔课程。这些属性主要涉及目标域图像、图像区域和像素上的期望标签分布。通过强制分割神经网络遵循这些属性，我们可以提高其在目标域上的泛化能力。基于自训练的动机，我们利用语义分割网络本身推断出这一金字塔属性。与以往的方法不同，我们无需维护任何额外的模型（例如逻辑回归或判别网络）或解决通常难以优化的极小极大问题。我们在两个流行的无监督域适应设置中报告了最先进的结果：从 GTAV 和 SYNTHIA 到 Cityscapes 的适应。