更优伪标签：面向半监督域泛化的联合域感知标签与双分类器

域泛化（DG）作为一种新提出的学习范式，其目标是将训练好的模型直接泛化到未见目标域，已引起广泛关注。以往的 DG 模型通常在训练时需要来自已观测源域的大量标注样本。本文放宽了全标注这一要求，研究半监督域泛化（SSDG），即在训练过程中仅有一个源域被完全标注，而其他域完全无标注。为应对已观测源域之间的域差距以及预测未见目标域的挑战，我们提出了一种通过联合域感知标签与双分类器来生成高质量伪标签的深度框架。具体而言，为在域偏移下预测准确的伪标签，我们设计了域感知伪标签模块。同时，考虑到泛化与伪标签二者目标不一致：前者防止在所有源域上过拟合，而后者可能为高准确率在无标注源域上过拟合，我们采用双分类器在训练中分别执行伪标签与域泛化。当为无标注源域生成准确伪标签后，应用域混合（domain mixup）操作在标注与无标注域之间增广出新域，有助于提升模型的泛化能力。在公开 DG 基准数据集上的大量结果表明了我们提出的 SSDG 方法的有效性。