主要观点总结
文章提出了一个新颖的无监督领域自适应方法，用于语义分割。它利用特征重表示对齐（FRA）和可靠的伪标签重训练（RPLR）策略，通过源领域的信息和目标领域特定特征结合，构建更具辨别力的目标领域表示。FRA通过从源领域特征中学习一组基来表征源数据分布，然后源域和目标域的特征都在同一组源域基下重新表示，从而最小化领域差距。RPLR策略则利用通过多视源图像训练的网络的预测一致性，选择可靠的伪标签进行重训练，使重表示的目标特征在语义上更有意义。广泛的实验表明，该方法在语义分割基准的无监督领域自适应上取得了竞争力的性能。
关键观点总结
关键观点1: 特征重表示对齐（FRA）
FRA通过学习源领域特征的一组基来表征源数据分布，然后源域和目标域的特征都在同一组源域基下重新表示，从而最小化领域差距。
关键观点2: 可靠的伪标签重训练（RPLR）
RPLR策略利用通过多视源图像训练的网络的预测一致性，选择可靠的伪标签进行重训练，使重表示的目标特征在语义上更有意义。
关键观点3: 无监督领域自适应在语义分割的应用
该方法将源领域的信息和目标领域特定特征结合，构建更具辨别力的目标领域表示，从而在无监督领域自适应的语义分割任务中取得了竞争力的性能。
文章预览
Feature Re-Representation and Reliable Pseudo Label Retraining for Cross-Domain Semantic Segmentation 题目：跨域语义分割的特征再表示与可靠伪标签重训练 作者：Jing Li; Kang Zhou; Shenhan Qian; Wen Li; Lixin Duan; Shenghua Gao 点击下方 卡片 ，关注“ AI前沿速递 ”公众号 各种重磅干货，第一时间送达 摘要 本文提出了一种新颖的无监督领域自适应方法，用于语义分割。我们认为，目标领域数据的良好表示应该同时保留来自源领域的知识和目标领域特定的信息。为了获取源领域的知识，我们首先学习一组基来表征源领域特征的分布，然后源域和目标域的特征都被重新表示为源基的加权和。此外引入了一个鉴别器，使得两个领域特征在相同基下的重表示责任不可区分。通过这种方式，源重表示和目标重表示之间的领域差距被最小化，重表示的目标领域特征包含了源领域的信息。然后我
………………………………
