类别压倒一切：互条件混合目标域适应

当前混合目标域适应（BTDA）方法通常推断或考虑域标签信息，却低估了目标的混合类别特征结构，导致性能受限，尤其在标签分布偏移下。我们证明，若各域类别分布得到充分对齐，即便面临域不平衡与类的标签分布偏移，域标签对 BTDA 并非直接必要。然而，我们观察到 BTDA 中的聚类假设并未全面成立。混合类别特征空间阻碍了对类别分布的建模以及为类别对齐生成可靠伪标签。为此，我们提出由不确定性引导的类别域判别器，以显式建模并直接对齐类别分布 $P(Z|Y)$。同时，我们利用低级特征以多样目标风格增强单源特征，从而纠正多样目标间有偏的分类器 $P(Y|Z)$。这种 $P(Z|Y)$ 与 $P(Y|Z)$ 的互条件对齐形成了互增强机制。即便与利用域标签的方法相比，我们的方法在 BTDA 中（尤其在标签分布偏移下）及 DomainNet 上的单目标 DA 中均优于当前最优。源代码见 https://github.com/Pengchengpcx/Class-overwhelms-Mutual-Conditional-Blended-Target-Domain-Adaptation。