近日，我校計算機學院2020級碩士研究生盧加文為第一作者，史金龍教授為通訊作者，在計算機儀器儀表學TOP期刊IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT上發表了題為“Depth Guidance and Intra-Domain Adaptation for Semantic Segmentation”的高水平學術論文。 

本研究為了解決基于深度學的語義分割模型泛化性差和數據集標注消耗過大等問題，提出了一種基于深度信息的無監督領域自適應語義分割方法，利用深度信息的輔助，提升了語義分割模型的性能。該方法充分利用深度與語義的關聯性，用深度估計輔助語義分割任務。該方法包含深度感知自適應框架和目標域內自適應策略，通過深度信息指導跨域語義分割。首先，深度感知自適應框架通過捕捉深度信息和語義信息的內在聯系減小不同域之間的差異；然后設計一個輕量級深度估計網絡來提供深度信息，通過跨任務交互策略融合深度和語義信息，并在深度感知空間對齊源域和目標域的分布差距；最后提出基于深度信息的域內自適應策略彌合目標域內部的分布差異，將目標域分為子源域和子目標域，并縮小子源域和子目標域分布差距。在SYNTHIA-2-Cityscapes和SYNTHIA-2-Mapillary跨域任務上分別獲得了46.7% 平均交并比(Mean Intersection over Union, mIoU)和73.3% 平均交并比，實驗表明此方法相較于同類方法在語義分割和深度估計精度上均有顯著提升。

研究結果為不同計算機任務之間的相互提升等方面的研究提供了新的思路。同時，該方法無需實際圖像的語義標注，大大促進了語義分割模型的實際落地應用。

論文鏈接:https://ieeexplore.ieee.org/document/10042450(the "Early Access" area on IEEEXplore)