我们考虑了源模型的无监督域适应的新问题,而无需访问语义分段的源数据。无监督的域适配旨在使标记为源数据的模型调整到新的未标记目标数据集。现有方法假设源数据在自适应期间与目标数据一起使用。但是,在实际情况下,由于在本工作中的原因,我们只能访问源模型和未标记的目标数据,但不是标记的来源,我们提出了一种自我训练方法从源模型中提取知识。要弥补从源到目标的分发班次,我们首先使用未标记的目标数据更新网络的标准化参数。然后我们采用信心过滤的伪标签,并强制执行某些转换。尽管非常简单直观,但我们的框架能够在我们广泛的实验和消融研究中直接应用于目标数据的源模型来实现显着的性能。事实上,性能只是几个远离最近的最先进的方法,它使用源数据进行适应。我们进一步展示了完全测试时间适应设置的所提出方法的恒定性,在那里我们不需要任何目标培训数据并仅在测试时适应。
translated by 谷歌翻译