ADAS：一种直接适应策略用于多目标域自适应语义分割

在本文中，我们提出了一种直接适应策略（ADAS），旨在无需预训练特定领域的模型的情况下，直接将单一模型适应到多个目标域的语义分割任务中。为此，我们设计了一个多目标域迁移网络（MTDT-Net），该网络通过一个新的目标自适应去归一化（TAD）模块，将不同域的特征进行迁移，从而对齐各域之间的视觉属性。此外，我们提出了一种双向自适应区域选择（BARS）方法，通过自适应选择具有一致特征统计的区域来减少类别标签之间的属性模糊性。我们展示了单个MTDT-Net可以生成视觉效果良好的域迁移图像，并且适用于复杂的驾驶数据集；而BARS则能有效过滤掉每个目标域训练图像中的不必要的区域。通过MTDT-Net和BARS的协同作用，我们的ADAS在多目标域适应（MTDA）任务中达到了最先进的性能。据我们所知，这是第一个直接将单一模型适应到多个目标域的语义分割任务中的MTDA方法。