CVPR 2023: Style Projected Clustering for Domain Generalized Semantic Segmentation

我们使用以下6个分类标准对本文的研究选题进行分析：

1. 泛化方法:

这一标准区分了不同方法对解决泛化到未见过数据的挑战的处理方式。

• 基于正则化的方法: 这些方法尝试将所有图像强制到一个类似的特征空间中，通常通过最小化域特定变化等技术来实现。虽然这促进了对具有相似特征的未见过域的泛化，但它可能会限制有效表示不同风格和特征的能力。示例包括使用域对抗训练或不变特征学习的方法。
• 基于差异的方法: 这些方法不是强制同质性，而是利用图像之间的差异来创建更丰富的表示空间。它们提取并存储独特的风格特征作为表示的基础。这允许更好地适应未见过的风格，因为模型可以识别并将其特征投射到这些已知的基上。

2. 表示学习:

这一标准侧重于模型如何学习和存储图像表示以进行分割任务。

• 特征嵌入方法: 这些方法旨在为所有图像学习一个通用的特征空间，无论它们的域或风格如何。这通常涉及自编码器、域不变学习或瓶颈架构等技术。虽然它们对于处理各种数据很有效，但它们可能难以捕捉特定的风格细微差别。
• 基于原型的方法: 这些方法利用原型来表示不同的类别或语义风格。每个原型都封装了其对应类别的基本特征。在分割过程中，将特征与这些原型进行比较以进行分类，从而实现高效且可泛化的预测。这种方法对于标记数据有限的场景特别有用，因为原型可以有效利用先验知识。

3. 域适应:

这一标准涉及将在一个域（源）上训练的模型适应到另一个域（目标）上以良好地执行，而目标域的标记数据有限。

• 源到目标适应: 这些方法直接桥接源域和