Die Verbesserung der Generalisierungsfähigkeit tiefer neuronaler Netze auf unbekannte Domänen ist für sicherheitskritische Anwendungen in der realen Welt wie autonomes Fahren von entscheidender Bedeutung. Um dieses Problem anzugehen, schlägt dieser Artikel einen neuen, instanzselektiven Whiteningsverlust vor, um die Robustheit von Segmentierungsnetzen für unbekannte Domänen zu erhöhen. Unser Ansatz trennt den domänenspezifischen Stil und den domäneninvarianten Inhalt, die in höheren Statistiken (d.h., Merkmalskovarianz) der Merkmalsrepräsentationen kodiert sind, und entfernt selektiv nur die Stilinformation, die zur Domänenverschiebung führt. Wie in Abbildung 1 gezeigt wird, liefert unsere Methode plausible Vorhersagen für (a) schlecht beleuchtete, (b) regnerische und (c) unbekannte Strukturen. Diese Arten von Bildern sind nicht im Trainingsdatensatz enthalten, wo das Baseline-Modell eine erhebliche Leistungsabnahme zeigt, im Gegensatz zu unserem Modell. Unser Ansatz ist einfach und dennoch effektiv und verbessert die Robustheit verschiedener Backbonenetze ohne zusätzlichen Rechenaufwand. Wir führen umfangreiche Experimente in der Urbanszene-Segmentierung durch und zeigen die Überlegenheit unseres Ansatzes gegenüber dem bestehenden Stand der Technik. Unser Code ist unter https://github.com/shachoi/RobustNet verfügbar.