摘要
多源无监督域适应（Multi-source Unsupervised Domain Adaptation, MSDA）旨在将基于多个带标签源域训练的模型迁移到一个无标签的目标域。本文提出了一种基于协同学习的新型多源域适应框架，用于语义分割任务。首先，引入一种简单的图像翻译方法，以对齐像素值分布，从而在一定程度上缩小源域与目标域之间的差异。其次，为充分挖掘各源域间的关键语义信息，我们提出了一种无需访问目标域任何数据的协同学习方法，实现域适应。此外，与无监督域适应的设定类似，本方法进一步利用无标签的目标域数据来提升域适应性能，具体通过使用集成模型在线生成伪标签，并对多个适应模型的输出施加额外约束来实现。我们在语义分割领域广泛使用的域适应基准数据集上进行了大量实验与消融研究。实验结果表明，仅在带标签的Synscapes和GTA5数据集上训练，并结合Cityscapes的无标签训练集，所提方法在Cityscapes验证集上取得了59.0%的mIoU（平均交并比），显著优于此前所有单源及多源无监督域适应方法的最先进水平。