AFRDA：用于域适应语义分割的注意力特征精炼

在无监督域自适应语义分割（UDA-SS）中，模型在带有标签的源域数据（例如，合成图像）上进行训练，并适应于无标签的目标域（例如，真实世界图像），而无需访问目标注释。现有的UDA-SS方法通常难以平衡细粒度的局部细节与全局上下文信息，从而导致复杂区域的分割错误。为了解决这个问题，我们引入了自适应特征细化（AFR）模块，它通过使用低分辨率logits中的语义先验来细化高分辨率特征，从而提高分割精度。AFR还集成了高频分量，这些分量捕获细粒度结构并提供关键的边界信息，从而改善了对象轮廓的描绘。此外，AFR通过不确定性驱动的注意力自适应地平衡局部和全局信息，减少了错误分类。其轻量级设计允许无缝集成到基于HRDA的UDA方法中，从而实现了最先进的分割性能。我们的方法将现有UDA-SS方法在GTA V -> Cityscapes上提高了1.05% mIoU，在Synthia -> Cityscapes上提高了1.04% mIoU。我们框架的实现可在以下网址获取：https://github.com/Masrur02/AFRDA