问题背景：
自动驾驶场景：当前语义分割算法需要大量有标签的数据集，然而，这些像素级的标注信息的获取代价是非常巨大的。
针对这一问题，有学者提出了通过游戏引擎来合成自动驾驶场景下的图像数据，同时得到像素级的语义标签，避免了标注真实图像所需要耗费的大量人力物力。
但是，随之带来的问题是，合成图像上训练的模型能否适用于真实图像？答案是否定的，因为合成图像和真实图像的数据分布存在巨大的偏差。
利用合成数据训练得到的模型能很好地迁移到真实图像上，是本文探索的一个问题。
近两年域适应语义分割的经典论文：
Domain Adaptation Semantic Segmentation
Domain transfer through deep activation matching [ECCV2018]
Unsupervised Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training [ECCV2018]
Learning From Synthetic Data: Addressing Domain Shift for Semantic Segmentation [CVPR2018]
Curriculum Domain Adaptation for Semantic Segmentation of Urban Scenes [ICCV2017]
Learning to Adapt Structured Output Space for Semantic Segmentation[CVPR2018]
新兴的自动驾驶和医学图像诊断应用，合成图像是很容易获得和标记的，但人工合成的图像和真实图像域的差异（domain gap），整合GAN到FCN结构中：
。
这篇文章的网络分为两个部分，一个是左边的风格迁移网络，是比较常见的对抗网络的简单应用。右边是语义分割域适应网络，它的结构的不同之处，这篇文章在判别器D中加入了ASPP结构，目的是提升判别器的感受野。其他文章主要把这个结构加载G网络中，提升生成器的感受野。
Conditional Generative Adversarial Network for Structured Domain Adaptation
这篇文章，通过迁移标记的合成图像域到未标记的真实图像域，从而对真实图像进行图像语义分割。它的创新之处在于引入了条件的概念，其思路借鉴了条件GAN。这篇是CVPR唯一一篇在对抗语义分割域适应中加入噪声，而且精度在2018CVPR中是最高的（不包括self-training的方法），但这篇文章并没有开源，结果也没有人能够复现出来。
在文章写完之后，我会陆续开源一些代码。