摘要
本文针对跨域语义分割任务提出了挑战，旨在在不增加额外标注的情况下提高未标注目标域的分割精度。我们提出了一种新颖且有效的多融合适应（MFA）方法，该方法基于伪标签的无监督域适应（UDA）流程。MFA主要考虑了三种并行的信息融合策略，即跨模型融合、时间融合以及一种新的在线-离线伪标签融合。具体而言，在线-离线伪标签融合鼓励自适应训练过程更加关注容易被离线伪标签忽略的困难区域，从而保留更多的信息细节。尽管其他两种融合策略看似标准，但MFA在提高整合效率和效果方面付出了显著努力，并成功地将这三种策略融入统一框架中。在两个广泛使用的基准数据集GTA5-to-Cityscapes和SYNTHIA-to-Cityscapes上的实验表明，我们的方法显著提升了语义分割的适应性能，并分别达到了新的最先进水平（58.2% 和 62.5% 的平均交并比 mIoU）。代码将在 https://github.com/KaiiZhang/MFA 上提供。