摘要
尽管近年来语义场景分割中的域适应（Domain Adaptation）技术取得了显著进展，但域适应过程中存在的公平性问题尚未得到充分定义与有效解决。此外，在将分割模型应用于与人类密切相关的现实场景（如自动驾驶）时，公平性是至关重要的考量因素，任何不公平的预测都可能对人类安全造成潜在影响。为此，本文提出一种新型的公平性域适应方法——FREDOM（Fairness Domain Adaptation for Semantic Scene Segmentation）。具体而言，基于所提出的公平性优化目标，本文设计了一种新的域适应框架，该框架强调对各类别分布的公平处理。同时，为更全面地建模结构依赖关系的上下文信息，本文引入了一种新的条件结构约束，以强制预测结果在结构上保持一致性。得益于所提出的条件结构网络（Conditional Structure Network），自注意力机制得以充分捕捉分割结果的结构信息。消融实验表明，所提方法不仅提升了分割模型的性能，同时显著增强了模型预测的公平性。在两个标准基准数据集（SYNTHIA → Cityscapes 和 GTA5 → Cityscapes）上的实验结果进一步验证了本方法达到当前最优（State-of-the-Art, SOTA）的性能表现。