摘要
尽管监督语义分割技术取得了显著进展，但在实际部署时，模型性能往往会出现大幅下降。领域自适应方法通过对齐源域与目标域来缓解这一问题。然而，大多数现有方法仅从整体视角进行对齐，忽略了目标域中潜在的类别级数据结构。为充分挖掘源域中的监督信息，本文提出一种细粒度对抗学习策略，实现类别级别的特征对齐，同时保留跨域语义的内在结构。我们引入一种细粒度领域判别器，该判别器不仅能够区分不同领域，还能在类别层面进行领域区分。同时，传统的二元领域标签被推广为领域编码（domain encodings）作为监督信号，以指导细粒度特征对齐。通过类别中心距离（Class Center Distance, CCD）的分析表明，相较于其他先进方法，本文提出的细粒度对抗策略在类别级别对齐方面表现更优。所提方法实现简单，且在三个经典领域自适应任务上进行了验证：GTA5 → Cityscapes、SYNTHIA → Cityscapes 以及 Cityscapes → Cross-City。实验结果表明，该方法在性能上显著优于基于全局特征对齐和基于类别逐个对齐的现有方法。相关代码已公开，地址为：https://github.com/JDAI-CV/FADA。