摘要
自训练（self-training）是领域自适应分割中一种具有竞争力的方法，其通过在目标域上使用伪标签来训练网络。然而，不可避免地，伪标签存在噪声，且由于源域与目标域之间的分布差异，目标域特征呈现分散状态。本文提出一种基于代表性原型（representative prototypes）的方法，即各类别的特征中心，以解决上述两个问题。特别地，我们进一步利用原型之间的特征距离，该距离信息比仅使用原型本身更为丰富。具体而言，我们利用该距离信息估计伪标签的置信度，从而在训练过程中实现在线修正。同时，我们基于同一目标样本的两种不同视图之间的相对特征距离，对原型分配进行对齐，从而构建更加紧凑的目标域特征空间。此外，我们发现将已学习的知识蒸馏至一个自监督预训练模型中，能够进一步提升模型性能。实验结果表明，本方法在性能上显著优于当前最先进的技术。相关代码将公开发布。