要約
我々は、セマンティックセグメンテーションにおけるドメイン適応のための、実用的かつ高い精度を実現するアプローチを提案する。従来の研究とは異なり、計算コストの高い adversarial 目的関数やネットワークアンサンブル、スタイル転送の使用を放棄する。代わりに、標準的なデータ拡張手法（光度ノイズ、反転、スケーリング）を用い、これらの画像変換にわたるセマンティック予測の一貫性を確保する。本手法は、追加の複雑な訓練ラウンドを必要とせずに、共進化する疑似ラベルに基づいて学習される軽量な自己教師付きフレームワークとして構築されている。実務者視点から見ても訓練が単純である一方で、顕著な効果を発揮する。バックボーンアーキテクチャや適応シナリオの選択にかかわらず、適応後の最新のセグメンテーション精度において、顕著な向上を達成している。