基于跨域迁移的语义分割研究综述.docVIP

基于跨域迁移的语义分割研究综述

语义分割作为计算机视觉领域的核心任务之一，旨在为图像中每个像素分配对应的语义类别标签，是自动驾驶、医疗影像分析、遥感图像解译等场景的关键支撑技术。传统监督语义分割模型依赖大量标注数据训练，但在实际应用中，不同采集设备、环境、光照条件下的数据分布差异会导致模型性能急剧下降，即出现领域偏移问题。跨域迁移语义分割致力于解决源域标注数据与目标域无标注数据分布不一致时的模型泛化难题，近年来已成为计算机视觉领域的研究热点。

跨域迁移语义分割的核心挑战

领域偏移是跨域语义分割面临的首要挑战，具体可表现为表观偏移、几何偏移与类别偏移三类。表观偏移最为常见，指不同域中同一类别的视觉特征存在差异，例如自动驾驶场景下晴天拍摄的道路图像与雨天、雾天拍摄的图像在色彩、纹理上存在显著区别；医学影像中不同厂商的CT设备成像参数不同，导致同一器官的灰度分布差异明显。几何偏移则是指视角、尺度、姿态变化带来的分布差异，例如无人机遥感图像中不同飞行高度下的建筑物尺寸、道路形态存在明显变化，监控摄像头不同安装角度下的行人、车辆形状也会发生畸变。类别偏移指源域与目标域的类别空间不完全重合，可能存在目标域包含源域没有的新类别，或者部分类别在两个域中的出现频率差异过大的情况，进一步提升了迁移难度。

现有跨域迁移方法还面临泛化性与局部一致性的平衡难题。全局域适配方法通常着眼于对齐源域和目标域的整体