以往的域适应方法中，只考虑的全局特征的对齐，会导致两个域的特征在某些情况出现负对齐。
黄色箭头是源域数据在网络中的流向，蓝色是目标域。首先会经过权重共享层，输出两个像素级特征。为了保证这两个像素级特征是网络从不同的方向提取的，在这里引入了LOSS1：
这个损失函数保证了两个输出是不同的。
对于源域，特征1+特征2被当作网络的分割结果，这里有L2：
还有一个域类判别器，它的输入是源域的特征1+特征2和目标域的特征1+特征2。对于目标域，需要维持两个特征的差值，作为局部对齐程度的依据，会产生一个local alignment score map，这个东西会乘上目标域在类判别器的输出。（感觉就是给目标域分配一个权重）。最后对目标域和源域进行判别，这里有了L3：
、
参考：https://blog.csdn.net/yshtjdx/article/details/97614478
https://blog.csdn.net/lixuegouzi/article/details/103169865
https://www.jianshu.com/p/b62182cab293