问题背景
本文研究的是无人驾驶场景中的语义分割问题。语义分割的样本标记成本很高，使用合成数据能帮助解决样本不足问题。但是合成的数据和真实的数据之间存在差异，这种差异会极大影响使用合成数据训练的模型在真实数据上的表现。
本文研究难点在于如何处理合成数据和真实数据之间的差异，该问题存在两方面原因：
用合成数据训练的模型，很容易对合成数据过拟合，对合成数据可以提取很好的特征，而对真实数据就提取不到特征了；
合成数据和真实数据的分布存在明显的差异，而模型对合成数据存在偏好。
其实以上两点说的是一点，只不过从两个角度说，这两点分别对应本文设计的两个子模型。
解决思路
本文的主要贡献在于提出了两个网络策略，用于处理语义分割任务中使用合成数据训练的域适配问题。
为了避免模型对合成数据的过拟合，本文使用 Target Guided Distillation Module，让模型模仿真实图片的训练的特征。
为了解决数据分布不一的问题，使用 Spatial-aware Adaption Module，充分考虑两种数据在空间分布上的差异，使得模型在两种数据上能够得到相似的特征。
论文模型
1. Target Guided Distillation
用 ImageNet 训练好的特征提取网络（图中灰色部分）作为 target，让分割模型提取的特征尽可能的像 target 提取的特征，distillation loss 采用欧拉距离计算方法。训练的时候，当输入是真实图片，计算 distillation loss；当输入是合成图片，输出分割的损失。
2. Spatial-Aware Adaption
使用 max-min loss（对抗训练）的方式完成适配（domain distribution adaption）任务。适配任务的目的是，让特征提取网络，对不同分布域的数据，提取到类似的特征，而不影响后续的任务处理。
该问题的关键在于“类似的特征”如何表达。来自不同分布域的数据，内容存在差异，肯定无法直接用 mseloss 这种形式的损失来处理，所以，使用判别器损失，是比较合适的。
图中绿色框中的 domain classifier 就是这个判别器。红框同时也是上上图中分割网络所使用的卷积特征提取网络，而中间的蓝色框，表示的是标题中的“Spatial-Aware”，也就是把对用整张图的特征，分成 3x3 个区域，分别对每个区域计算判别损失。
3. 整个模型
整个网络连起来，如下图所示。测试的时候，只使用用图中黄色框的部分。
实验
真实数据集 Cityscapes [1]，合成数据集 GTAV [2]，分割网络使用 PSPnet 和 Deeplab。其中，Cityscapes 仅使用图片，未使用标签（本文要处理的是尽可能不使用人工标记的样本）。
训练时，一个 batch 中有 10 张图片，5 张来自 Cityscapes，5 张来自 GTAV。使用真实图片进行测试，计算 mIOU，实验结果如下。
适配能提升 14 个百分点，但是相比于使用人工标记的训练结果 [3]，还是要差很多很多。
本文提出的适配方法，相比于其他适配方法，效果也是最好的。
评价
本文研究的问题（使用合成数据减少对人工标注数据的依赖）很有实际意义，但是目前的效果还是差一些，似乎只能充当 boosting，离目标还有一段距离。很多视觉任务，都可以尝试这种方法，以减少对实际标注样本量的需求。
另外，是否可以研究，在使用合成数据的情况下，检测结果（在真实数据下测试的指标）随真实标记样本量的变化情况，定性地了解，到底合成数据能在多大程度上，减少手工标注量。比如，可能画出如下曲线：
如果能做到这个地步，那在实际应用中，使用合成数据进行训练这种方法，可能会广泛使用，毕竟目前还仅仅停留在学术论文的地步。
