我们引入了一种新的模型，将结构化域自适应应用于合成图像的生成和道路分割。我们将特征金字塔(FP)网络引入生成式对抗网络，以最小化源域和目标域之间的差异。一个发生器被学习产生高质量的合成图像，而鉴别器试图区分它们。我们还提出了一个FPnetwork，通过从网络的所有层中提取有效的特征来描述不同尺度的对象，从而提高了所提模型的性能。

本文提出了一种新的半监督云检测算法，通过训练自注意力生成对抗网络（SAGAN）来提取云图像和无云图像之间的特征差异。我们的主要想法是将视觉注意力引入到生成“真实”无云图像的过程中。SAGAN的训练基于三个指导原则：扩展云区域的注意力地图，用翻译后的无云图像替换；减少注意力地图，使其与云边界重合；优化自注意力网络，以处理极端情况。...

提出了一种深度生成先验（DGP）方法，能够在保持生成先验的同时很好地重建，当在任务相关的观测空间中重构被破坏的图像时，DGP倾向于恢复缺失的信息，同时保持已有的语义信息不变。

提出了循环一致对抗域适应算法(CyCADA)，该算法在像素级和特征级对表示进行适应，同时通过像素循环一致性和语义损失实现局部和全局结构一致性。CyCADA整合了之前的特征级别和图像级别对抗域自适应方法和循环一致的图像到图像翻译技术.

我们在迄今为止最大的RS场景识别数据集MillionAID的帮助下，从无开始训练不同的网络，以获得一系列RS预训练的骨干，包括卷积神经网络(CNN)和视觉转换器，如Swin和ViTAE，它们在计算机视觉任务中表现出了良好的性能。然后，我们研究了RSP对代表性下游任务的影响，包括场景识别、语义分割、目标检测和变化检测，使用这些CNN和视觉Transformer主干。......

域自适应语义分割的目的是在监督源域数据的情况下学习模型，并在未标记的目标域上产生令人满意的密集预测。为解决上述问题，我们建议直接探索目标域数据的内在像素分布，而不是过度依赖源域。具体来说，我们同时对像素进行聚类，并使用获得的聚类分配对标签进行整流。这个过程以在线的方式完成，因此伪标签可以与分割模型共同进化，而不需要额外的训练。为了克服长尾类的类不平衡问题，我们采用一种分布对齐技术，使簇分配的边缘类

设计了一个即插即用的通用模块：context prior layer（上下文先验层）。在这个层中，根据GT首先形成的Ideal Affinity Map去监督类内和类间信息的产生，从而从原理上规范了类内和类间上下文信息的分离。

提出了一个新的语义分割框架，该框架的关键组成部分是颜色映射生成对抗网络(ColorMapGANs)，它可以生成语义上与训练图像完全相同的虚假训练图像，但其光谱分布类似于测试图像的分布。然后，我们使用伪图像和训练后的真实图像来微调已经训练过的分类器，ColorMapGAN中的生成器没有任何卷积层或池化层。它学习将训练数据的颜色转换为测试数据的颜色，只需要执行一次元素矩阵乘法和一次矩阵加法操作。

本文研究了语义分割中的无监督域自适应问题,建议利用这种跨领域的不变性，利用结构化语义分割输出中成对像素之间的并发模式。我们对相邻像素之间的关联关系(称为源域和目标域的关联空间)进行域适应。为此，我们制定了两种关联空间适应策略:关联空间清洁策略和对抗性关联空间对齐策略。大量的实验表明，所提出的方法在跨域语义分割的几个具有挑战性的基准上比一些最先进的方法具有更好的性能。...

语义分割论文CVPR2020《Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision：基于自监督的非监督域内自适应语义分割》开源代码自学笔记，包括CVPR2019 ADVENT方法开源代码