1、Asymmetric Tri-training for Unsupervised Domain Adaptation–非对抗方法
研究域适应，都希望能够学到域不变的特征，也就是说，假如现在是分类的任务，希望学习到分类器在不同的域都能够表现良好。实际情况是，这是很难的事情，因为不同域的具有不同的分布，具有各自具体域的特性。关于这方面的解决方法很多，看下本文Asymmetric Tri-training的方法吧，即 用不对称的三个网络，其中两个网络用来生伪标签，另外一个网络从伪标签数据中来学习，生成target域的目标表示 。

具体看图：先用源域上有标签的数据训练两个不同的分类器，然后目标上无label的图片分别丢到分类器中，分别产生的输出，由于有可能产生false label，所以还需要去挑选。总之中间图表示的意思是，让两个分类器产生无label的图片的伪标签 pseudo-labels，最后利用得到伪标签的目标域数据，去训练第三个分类网络。具体细节看下文：

1）先看算法过程
用源域数据分别训练F, F1, F2, Ft
把target数据丢入F1和F2，生成pseudo-labels（伪标签），其中需要满足两个条件：两个网络输出是同一个类别；具有足够高的置信度，0.9/0.95。
迭代过程，label数据和 pseudo-labels数据继续训练F, F1, F2； pseudo-labels数据训练F，Ft
训练完成后，F能够学习到目标域的特征表示，分类器Ft也能够目标域数据进行分类。
2）具体的实现细节，看代码，做实验
做两个实验，第一，重新训练网络，多看几层特征分布；
第二、合成图像–>真实图像实验，
集体讨论，有什么可改进的地方

1、Asymmetric Tri-training for Unsupervised Domain Adaptation–非对抗方法        研究域适应，都希望能够学到域不变的特征，也就是说，假如现在是分类的任务，希望学习到分类器在不同的域都能够表现良好。实际情况是，这是很难的事情，因为不同域的具有不同的分布，具有各自具体域的特性。关于这方面的解决方法很多，看下本文Asymmetric Tri-training的方法吧，即用不对称的三个网络，其中两个网络用来生 域 自 适应 尝试将从源 域 获得的知识传送到目标 域 ，即测试数据所在的 域 。主要的挑战在于源 域 和目标 域 之间的分布差异。大多数现有工作通常通过最小化分布距离来努力学习 域 不变表示，例如MMD和最近提出的生成对抗网络（GAN）中的鉴别器。 遵循GAN的类... 域自适应学习分割：ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation Meta Correction: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Se 藤原闻泰D: 请问大佬最后看懂了没啊，我最近也是在看这个代码和文章，有点不大理解得到 详细记录Few-Shot Semantic Segmentation的框架笔记 好像没有，都是已知了类别 Meta Correction: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Se 杰青的垫脚石: 楼主您好，最近刚接触这个域适应，看这个文章的时候发现代码和论文对不太上。比如说在训练meta的时候，代码里面好像没有用到训练domain predictor的模型。而且T矩阵好像每次迭代都会被初始化，这个好像跟文中不太一样。还有X_meta的获取是截取图像中比阈值高的部分的像素吗？谢谢您的时间。 论文域适应语义分割：Learning to Adapt Structured Output Space for Semantic Segmentation 凉凉凉jlu: 请问为什么在输出空间上进行适应是有效的能再讲一下吗，我不太理解 详细记录Few-Shot Semantic Segmentation的框架笔记 qq_25892947: 假如query set 里面是狗，对应的support set的mask也是狗的mask，也就是说，我们已经知道了类别（狗这个类），任务是进行分割。那有那种不事先知道类别的few-shot语义分割吗？ Meta Correction: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Se Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation(ECCV2020） 2018Unsupervised Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training