摘要
基于卷积神经网络的方法在语义分割任务中取得了显著进展。然而，这些方法严重依赖于人工标注的数据，而数据标注过程耗时耗力。为缓解这一局限，研究者常采用图形引擎生成的合成数据进行模型训练。然而，仅在合成数据上训练的模型难以有效迁移到真实图像上。为应对这一问题，以往工作通常采用直接将源域模型适配到未标注目标域数据的方法（以缩小域间差异）。但此类方法未充分考虑目标域内部数据分布的巨大差异（即域内差异）。为此，本文提出一种两阶段自监督域适应方法，旨在同时减小域间差异与域内差异。首先，我们执行模型的域间适应；在此基础上，利用基于熵的排序函数将目标域数据划分为“易样本”与“难样本”两部分。最后，为缩小域内差异，我们进一步提出一种从“易样本”到“难样本”的自监督适应机制。在多个基准数据集上的实验结果表明，所提方法在性能上显著优于现有最先进方法。项目源代码已开源，地址为：https://github.com/feipan664/IntraDA.git。