摘要
本文聚焦于语义分割场景下的无监督域适应问题，旨在将源域的知识有效迁移至目标域。现有方法通常将伪标签视为真实标签，以充分挖掘未标注的目标域数据。然而，这些伪标签通常是基于在源域上训练的模型对目标域数据进行预测所得，由于训练域与测试域之间存在分布差异，生成的伪标签不可避免地包含错误预测，这些错误可能被引入最终的适配模型中，严重干扰训练过程。为解决该问题，本文提出在训练过程中显式估计预测不确定性，以修正无监督语义分割域适应中的伪标签学习过程。给定输入图像，模型不仅输出语义分割结果，还同时输出该预测的不确定性。具体而言，本文通过预测方差来建模不确定性，并将不确定性信息融入优化目标函数中。为验证所提方法的有效性，我们在两个主流的合成到真实域语义分割基准（即GTA5→Cityscapes和SYNTHIA→Cityscapes）以及一个跨城市基准（Cityscapes→Oxford RobotCar）上进行了实验评估。大量实验结果表明，所提方法（1）能够根据预测方差动态设定不同的置信度阈值，（2）有效纠正了由噪声伪标签带来的学习偏差，（3）在三种基准上均显著优于传统的伪标签学习方法，并取得了具有竞争力的性能表现。