一种结合半监督领域自适应的多视角一致性框架
计算机视觉与模式识别
2026-01-28 v1
摘要
半监督领域自适应（SSDA）利用来自完全标记源领域的知识对部分标记目标领域中的数据进行分类。由于目标领域中标记样本数量有限，特征空间中可能存在类别的内在相似性，这可能导致有偏的预测，即使模型是在平衡数据集上训练的。为了克服这一限制，我们引入了一个多视角一致性框架，该框架包含两个用于训练强增强数据的视图。一个是一种去偏策略，用于根据模型的预测性能校正类别级别的预测概率。另一个是利用从模型预测中导出的伪负标签。此外，我们引入了一种跨领域亲和力学习，旨在对齐不同领域中相同类别的特征，从而提升整体性能。实验结果表明，我们的方法在两个标准领域自适应数据集DomainNet和Office-Home上优于竞争方法。结合无监督领域自适应和半监督学习，通过增强模型适应性、降低标注成本和提高性能，为工业领域提供了不可或缺的贡献。
引用
@article{arxiv.2601.19266,
title = {A Multi-View Consistency Framework with Semi-Supervised Domain Adaptation},
author = {Yuting Hong and Li Dong and Xiaojie Qiu and Hui Xiao and Baochen Yao and Siming Zheng and Chengbin Peng},
journal= {arXiv preprint arXiv:2601.19266},
year = {2026}
}
备注
11 pages, 7 figures