ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation(CVPR2019）

这篇文章主要是基于对抗+熵图。 

Vu T H, Jain H, Bucher M, et al. Advent: Adversarial entropy minimization for domain adaptation in semantic segmentation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 2517-2526.

一、动机

作者观察到：源域上的监督学习训练出来的模型，在与源域相似的图片上预测出来的语义分割图是低熵。而在目标域上的预测图则是高熵。如下图所示。左边是语义分割图，右边计算整个图熵值结果的可视化。源域中的预测熵图(prediction entropy maps)：在边缘部分有很高的熵值。而在目标域，预测熵图并不是这么明显。语义分割图中有很多噪声，会造成额外的熵增。由此，作者推测出减小目标域的熵值可以缩减源域和目标域之间的差别。

原文补充：在这项工作中，我们将熵值最小化的原则适用于语义分割中的UDA任务。我们从一个简单的观察开始：只在源域上训练的模型倾向于对源类图像产生过度自信，即低熵的预测；而对目标类图像产生不自信&#