类别平衡的像素级自标注在域适应语义分割中的应用

域适应语义分割旨在利用源域数据的监督学习模型，并在未标记的目标域上生成令人满意的密集预测。一种流行的解决方案是自训练方法，该方法选择目标样本中得分较高的预测作为伪标签进行训练。然而，由于模型对源域和多数类别的偏向，生成的伪标签通常包含大量噪声。为了解决上述问题，我们提出直接探索目标域数据的内在像素分布，而不是过度依赖源域。具体而言，我们同时对像素进行聚类并根据获得的聚类分配修正伪标签。这一过程以在线方式进行，使得伪标签可以与分割模型共同进化，而无需额外的训练轮次。为了克服长尾类别中的类别不平衡问题，我们采用了一种分布对齐技术，强制聚类分配的边缘类别分布接近伪标签的边缘类别分布。所提出的这种方法，即类别平衡像素级自标记（CPSL），在目标域上的分割性能显著优于现有最佳方法，特别是在长尾类别上表现尤为突出。