摘要
语义分割需要大量标注训练数据，而数据标注成本高昂。尽管已有大量研究致力于实现从一个领域到另一个领域的无监督域自适应（Unsupervised Domain Adaptation, UDA），例如从计算机图形生成图像到真实图像的迁移，但当前UDA方法在目标域上的性能仍显著低于在原生域数据上进行监督训练的水平。这一差距可归因于源域与目标域数据在类别层面的特征不匹配问题。为应对这一挑战，本文提出一种基于对抗训练的方法，旨在对目标域内的两个特征分布进行对齐。该方法采用自训练框架，将输入图像划分为两个区域——可信区域与不可信区域，二者分别构成目标域内的两个特征分布，并在特征空间中进行对齐。我们将该方法称为跨区域自适应（Cross-Region Adaptation, CRA），以区别于以往通过对齐不同域间特征分布实现的跨域自适应（Cross-Domain Adaptation, CDA）。CRA可与任意CDA方法结合使用，实验结果表明，该方法能够持续提升所结合CDA方法的性能，显著优于现有方法，刷新了当前领域内的最先进水平。