Pontage de Domaine Délibéré pour le Segmentation Sémantique Adaptative au Domaine

Dans l'adaptation de domaine non supervisée (UDA), l'adaptation directe du domaine source au domaine cible souffre généralement de disparités significatives et entraîne un alignement insuffisant. Par conséquent, de nombreuses études en UDA tentent d'éliminer progressivement et doucement le fossé entre les domaines en utilisant divers espaces intermédiaires, appelés pontage de domaine (DB). Cependant, pour les tâches de prédiction dense comme la segmentation sémantique adaptative à un domaine (DASS), les solutions existantes se sont principalement appuyées sur des transferts de style approximatifs, et la façon élégante de ponter les domaines reste largement sous-explorée. Dans ce travail, nous recourons au mélange de données pour établir un pontage de domaine délibéré (DDB) pour DASS, grâce auquel les distributions conjointes des domaines source et cible sont alignées et interagissent mutuellement dans l'espace intermédiaire. Au cœur du DDB se trouve une étape de pontage de domaine à double voie pour générer deux domaines intermédiaires en utilisant des techniques de mélange de données grossières et fines, ainsi qu'une étape d'enseignement mutuel transversal pour utiliser deux modèles complémentaires formés sur des échantillons intermédiaires générés comme « enseignants » afin d'élaborer un « élève » supérieur dans une approche d'enseignement mutuel multi-enseignant. Ces deux étapes d'optimisation fonctionnent alternativement et se renforcent mutuellement pour donner lieu à un DDB doté d'une forte capacité d'adaptation. De nombreuses expériences menées sur des tâches de segmentation adaptative avec différentes configurations montrent que notre DDB dépasse considérablement les méthodes les plus avancées actuellement disponibles. Le code est disponible à l'adresse suivante : https://github.com/xiaoachen98/DDB.git.