摘要
无监督域自适应（Unsupervised Domain Adaptation, UDA）旨在提升模型从源域到目标域的泛化能力。由于无需对目标域样本进行额外标注，UDA具有重要意义。然而，两个域之间存在的数据分布差异，即所谓的“域偏移”（domain shift/discrepancy），不可避免地影响UDA的性能。尽管现有方法在对齐两个域的边缘分布方面取得了一定进展，但由于类别无关的特征对齐策略，分类器仍倾向于依赖源域特征，导致在目标域上产生错误预测。本文提出一种新型的类别锚点引导（Category Anchor-guided, CAG）无监督域自适应模型，用于语义分割任务。该模型显式地引入类别感知的特征对齐机制，以同步学习共享的判别性特征与分类器。首先，利用源域特征的类别级中心点作为引导锚点，识别目标域中的活跃特征并为其分配伪标签。随后，设计基于锚点的像素级距离损失与判别性损失，分别促使同类特征更加紧密、异类特征彼此分离。最后，提出一种分阶段训练机制，以减少误差累积，并实现模型的渐进式适应。在GTA5→Cityscapes和SYNTHIA→Cityscapes两个典型场景下的实验结果表明，所提出的CAG-UDA模型在性能上显著优于当前最先进的方法。代码已开源，地址为：\url{https://github.com/RogerZhangzz/CAG_UDA}。