基于卷积神经网络的监督学习方法近几年在语义分割任务里取得了显着进展。但是，这种方法十分依赖于大量带注释的数据进行训练。为了解决这种限制，通常将从图形引擎生成自动注释数据，并用来训练语义分割网络。但是，从图形引擎里生成的数据训练的模型很难迁移到真实世界采集到的图像数据。

针对迁移学习的问题，目前主流的是使用域适应或迁移学习的方法来解决图像分割任务中的迁移学习问题。这些种方法均基于深度对抗网络模型，从迁移对象来分可分为三类：图像空间的迁移转换，特征空间的迁移转换，和生成空间的迁移转换。

那么当前现有的域适应方法都有哪些局限性呢？域适应及迁移学习又有哪些挑战和应用呢？8月21日晚8点，智东西公开课邀请到韩国科学技术院（KAIST）在读博士潘飞「CV前沿讲座」第15讲的直播讲解，潘博将围绕《语义分割场景中域适应问题的研究》这一主题进行直播讲解。

潘博将从语义分割场景下的域适应问题出发，更深入去探讨当前现有的域适应方法的局限性。当前这些方法已经考虑将模型从源域直接迁移到未标记的目标域（以减少域间差别）。但是，目标数据本身之间的较大分布差距（域内差别）并没有被考虑。因此潘博将会深度解析基于深度对抗网络的域适应方法和他们最新的研究成果，即利用自监督域自适应方法，以最小化域间和域内的差别，最后也会讲解域适应在增强模型鲁棒性中的应用。感兴趣的朋友不要错过！

潘飞是韩国科学技术院（KAIST）在读博士，主要研究方向为语义分割任务下的迁移学习和域适应问题，在CVPR, ECCV等会议上发表多篇论文。潘博本科毕业于西安电子科技大学。