计算机科学技术学院张文强研究员领导的机器人智能实验室（ROILab）论文《ADPL: Adaptive Dual Path Learning for Domain Adaptation of Semantic Segmentation》主要关注面向语义分割的域自适应任务，该任务旨在减轻语义分割训练对大规模像素级标注的需求。论文已被IEEE TPAMI接收。
IEEE Transactions on Pattern Analysis and Machine Intelligence(TPAMI)是中国计算机学会（CCF）和中国自动化学会（CAA）等多个学会共同推荐的人工智能领域A类国际顶尖期刊。
最近，结合图像风格迁移和自监督学习的方法在自适应分割中显示出极强的优越性，最常见的做法是在单个域中同时施加图像风格迁移和自监督学习。基于源域和目标域中的单域自适应互补这一发现，论文提出一种新的自适应双路学习框架，通过交互式地融合两个单域自适应路径来缓解视觉不一致性问题，同时促进伪标签生成。提出双路图像风格迁移、双路自适应分割、双路伪标签生成和自适应图片混合等新技术，充分挖掘这种双路设计的潜力。论文提出的自适应双路学习方法在三个标准设定上取得了当前最优的结果。
