为验证双向学习的域适应语义分割方法的有效性，使用GTA5数据集和SYNTHIA数据集作为源域、Cityscapes数据集作为目标域进行实验。具体的迁移任务包括GTA5→Cityscapes和SYNTHIA→Cityscapes。将双向学习的域适应语义分割方法与顺序学习方法Cycada[21]进行比较。所有方法采用的基础网络有ResNet101[25]和VGG16[6]。图像转换模型使用CycleGAN[26]，语义分割模型使用DeepLabV2[9]和FCN[5]。表8.4展示了在GTA5→Cityscapes任务上的实验结果。可以看到相比以VGG16为基础网络的方法，以ResNet101为基础网络的方法结果有显著提升。不论以ResNet101还是以VGG16为基础网络，双向学习的域适应语义分割方法其结果均优于顺序学习方法Cycada。

表8.4　双向学习的域适应语义分割方法和顺序学习方法Cycada在GTA5→Cityscapes任务上的性能[22]

表8.5展示了在SYNTHIA→Cityscapes任务上、分别以ResNet101和VGG16为主干网络的分割结果。可以看到在以VGG16为主干网络的分割结果中，双向学习的域适应语义分割方法较基于全局和局部对齐的自适应语义分割方法有着极为显著的准确率提升。另外，双向学习的域适应语义分割方法在目标域（Cityscapes数据集）上的分割结果比表8.4中结果要差很多，特别是“道路”“人行道”和“小轿车”类别，其准确率降低了大约10％。这是由于SYNTHIA→Cityscapes任务上的域偏移远比SYNTHIA→Cityscapes任务上的域偏移要大。(www.daowen.com)

表8.5　双向学习的域适应语义分割方法与基于全局和局部对齐的自适应语义分割方法在SYNTHIA→Cityscapes任务上的性能