16-FCNs in the Wild- Pixel-level Adversarial and Constraint-based Adaptation

如果训练集和测试集数据没有假设的特性，则直接测试，如果有，那么可以先学习数据间的域变换特性，然后辅助分割。

动机

• 当训练数据与测试数据不同域的时候，以前的方法很差
• 提出了无监督对抗方式对像素预测问题，包括全局和类别特别的适应技术，

假设

• 源域和目标域共享相同的标签空间，并且源模型在目标域上实现的性能大于机会。

创新

• 提出无监督域适应方法来迁移FCN结果的图片域；
• 组合全局和局部对齐方法，使用全局和类别特别的一起做贡献；

方法

• 框架

• 主要思想

• 两个域之间可能发生全局变化，导致相应特征空间的边际分布偏移。 这可能发生在任何两个不同的域之间，但在非常不同的域之间的大转变中将是最明显的，例如在模拟域和真实域之间进行调整；
• 由于类别特定的参数变化而发生主要移位。 这可能是由于在两个域中具有特定偏差的各个类别。 例如，当在两个不同城市之间进行调整时，汽车的分布和标志的外观可能会改变。
• 整体损失函数

• 损失函数2