无监督域自适应（UDA）技术在语义分割领域被广泛研究，在自动驾驶领域中使用合成数据，极大地解决了缺乏数据标注的问题。但多数 UDA 方法过于关注领域间差异，而忽略了图像内的语义关联。

为解决这一短板，来自悉尼科技大学、新加坡国立大学和浙江大学的研究者在 ACM MM 2023 的最新研究中，提出了一种面向自动驾驶场景的多细粒度自监督学习方法 PiPa。

PiPa 专注于加强图像内部的像素关联和语义连贯性，同时提高了像素级特征的区分度以及对不同上下文的鲁棒性。在多个主流数据集上，也验证了 PiPa 的有效性及其在多种域自适应场景下的泛化性。

10月12日晚7点，「AI新青年讲座」第227讲邀请到 PiPa 一作、悉尼科技大学 ReLER Lab 在读博士陈牧参与，主讲《多细粒度自监督学习在自动驾驶语义分割领域自适应的应用》。