2018Unsupervised Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training

---

一、简单介绍

1）Motivation

​  ​  ​   不采用对抗的方式，也能取得比较好的适应性能，文章想把全局的，具体类别的特征对齐和任务本身用一个简单的loss统一起来一起做；其次，解决在ST方法中，生成的伪标签类别不平衡的问题（伪标签估计的工作）。
​​  ​   ​   这里简单介绍下ST方法的优缺点：能够学习更好的决策边界，既能达到让两个域全局特征匹配，也能让类别特征匹配（classwise feature alignment ），但以前做法不够elegant，毕竟是特征匹配和分类任务是分开来做的。另外它还有个假设，target域的样本，若预测输出值更大，也意味着更高的置信度。

• 经典DANN：分类网络+domain分类器，域分类器从分类网络的特征提取器中提取特征作为输入，用来区分instance来自哪个域，对抗学习domain-invariant features
• 泛化性和mode collapse ：分别研究能不能生成新样本以及研究生成样本的多样性，mode collapse是产生的样本单一