文章预览
理解图像内容是许多应用的重要组成部分，例如自动驾驶、增强现实、机器人、医学影像和遥感。随着深度神经网络的突破，语义图像理解在过去几年中取得了显著进展。然而，神经网络需要大量标注数据才能进行适当训练。由于大规模真实世界数据集的标注成本高昂，网络可以在具有现成或较低成本标注的数据集（如自动标注的合成数据）上进行训练。然而，神经网络通常对领域偏移（domain shifts）敏感，因此在与训练数据不同的领域中表现较差。因此，无监督领域适应（UDA）和领域泛化（DG）方法的目标是使在源域（例如合成数据）上训练的模型在未标注或甚至未见过的目标域（例如真实世界数据）上表现良好。 大多数UDA/DG研究专注于设计适应和泛化技术以克服领域偏移的问题。然而，学习框架中其他方面对领域鲁棒性的影响大多被忽视。因此
………………………………
