セマンティックセグメンテーションは、スマート交通システムにおける環境認識において重要な技術である。畳み込みニューラルネットワーク（CNN）の急速な発展に伴い、ソースドメインにおける道路シーン解析は通常、良好な結果を得ることができる。しかし、異なるターゲットドメインのシナリオへの良好な汎化を保証することは依然として大きな課題である。近年、半教師あり学習およびアクティブ学習がこの問題の緩和を目的として提案されている。半教師あり学習は大量のラベルなしデータを用いることでモデルの精度を向上させることができるが、訓練データが限られたり不均衡な場合、ノイズを含む偽ラベルが生成される可能性がある。また、人間の指導が欠如すると、最適でないモデルが得られてしまう。一方、アクティブ学習はより効果的なデータを選択して人間の介入を促すことができるが、大量のラベルなしデータが活用されないため、モデルの精度向上が限られる。さらに、ドメイン間の差が大きくなると、最適でないサンプルを問い合わせる確率が上昇し、アノテーションコストが増加する。本論文では、アクティブ学習と半教師あり学習を組み合わせた反復ループ手法を提案し、ドメイン適応型セマンティックセグメンテーションを実現する。本手法は、まず半教師あり学習を用いて大量のラベルなしデータを活用し、モデル精度を向上させるとともに、アクティブ学習に適したより正確な選択モデルを提供する。次に、アクティブ学習における予測不確実性に基づくサンプル選択戦略と併せて、人間の介入により偽ラベルを修正する。最後に、柔軟な反復ループにより、最小限のラベリングコストで最良の性能を達成する。広範な実験の結果、本手法はGTAVからCityscapes、SYNTHIAからCityscapesというタスクにおいて、従来の最良手法と比較してそれぞれ4.9%および5.2%のmIoU向上を達成し、最先端の性能を確立した。