論文： DCAN: Dual Channel-wise Alignment Networks for Unsupervised Scene Adaptation
會議：ECCV
架構：
挑戰：
（1）DCNN在語義分割上獲得進展依賴於大量的耗費人工的標註；
（2）若是可以利用生成數據和它易獲取的標籤進行訓練，在真實數據集上進行遷移測試，這樣則可以解決標註的問題，但是這樣的方式又有新的問題；
（3）訓練模型的泛化能力以及域間差異domain shift限制了分割的準確性
目前，很多工作都在盡力減小domain shift
方法：
（1）通過在low-level和high-level上進行channel-wise alignment，從而減小domain difference
（2）channel-wise alignment：對齊特徵的同時，保留了圖片的空間結構和語義信息，可應用於分割
網絡詳解：
（1）Channel-wise Feature Alignment
1）數據分佈的均值和方差表示圖片的style;
2）使用adaptive instance normalization方法，對齊source domain和target domain中圖片每個channel map的特徵。
3）Channel-wise Feature Alignment針對channel 對齊圖片信息，確保語義信息編碼在不同的channel中，兩個網絡均使用了這個方式。
（2）Dual Channel-wise Alignment Networks
Image generator:
（1）輸入source image和target image，通過encoder-decoder生成具有source image 內容和target image 風格的圖片。
（2）encoder:
具體結構：
如圖中所示，source image和target image輸入encoder,得到編碼的特徵，在這裡根據target image的特徵的均值和方差對source image特徵的均值和方差進行channel-wise對齊，通過decoder生成內容上與source image相似，而風格上與target image 相似的圖片。
Loss:
Segmentation Network:
網絡：Deeplab,FCN,SegNet等前3個stage為encoder，後2個stage為decoder
分割網絡使用生成圖片和label作為數據集，使用target圖片作為提供channel-wise feature aligment的圖片，對segmentation network進行訓練。
Loss:多類交叉熵函數
（3）Optimization：
（1）target domain中的每一張圖片均代表一種style,但是若將source imsge與每一張target image進行訓練，則太耗費計算資源
（2）使用source image和target domain中的隨機一張圖片進行訓練
最終損失函數：
測試：
僅使用Segmentation Network,輸入target image 輸出分割map
分割結果：
閱讀更多 AI深度學習求索 的文章
