Chen, M.; Xue, H.; Cai, D. Domain Adaptation for Semantic Segmentation With Maximum Squares Loss. Proc. of International Conference on Computer Vision (ICCV), 2019

论文：https://arxiv.org/pdf/1909.13589.pdf
代码：https://github.com/ZJULearning/MaxSquareLoss
关键词： “**maximum squares loss**”

为了解决domain gap，更好的实现domain之间的分割域迁移，论文中提出了一种the entropy of the pixel-wise predictions，主要有两部分1. entropy loss 2.adversarial loss可以帮助分割网络进行更好的域迁移

Introduction

背景：在真实场景的运用中trianing数据集和testing数据集的分布往往是不一样的，具有很大的domain gap，导致了模型表现的很差。
作者认为模型在训练集上往往会over confidence而在不同分布的测试集上表现往往不够好，这种叫着low-entropy。如果在target domain上面也能表现的很好，叫做high-entropy。
解决办法：因此论文中提出了entropy of the pixel-wise predictions，主要有两部分1. entropy loss 2.adversarial loss可以帮助分割网络进行更好的域迁移

主要分为以下两个部分：

• Direct entropy minimization using an entropy loss
• Indirect entropy minimization using an adversarial loss.