面向无监督域自适应与扩展的协同教学
计算机视觉与模式识别
2025-12-29 v4
摘要
无监督域自适应（UDA）本质上以模型在源域上的性能为代价来提升其在目标域上的性能。为克服此问题，无监督域扩展（UDE）被提出，其在适应模型至目标域的同时保持其在源域上的性能。在 UDA 与 UDE 中，均假设为给定域定制的模型能较好处理该域的样本。我们通过报告跨域视觉歧义的存在来质疑该假设：由于两域间边界不清，来自一域的样本可能在视觉上接近另一域。此类样本在其所属域中通常占少数，因而易被域特定模型忽视，但可由来自另一域的模型更好处理。我们利用此发现提出协同教学（CT），其由基于知识蒸馏的 kdCT 与基于 mixup 的 miCT 实例化。具体而言，kdCT 利用双教师架构增强学生网络处理跨域歧义的能力；同时，miCT 进一步增强学生的泛化能力。在图像分类与驾驶场景分割上的大量实验表明了 CT 用于 UDE 的可行性。
引用
@article{arxiv.2204.01210,
title = {Co-Teaching for Unsupervised Domain Adaptation and Expansion},
author = {Hailan Lin and Qijie Wei and Kaibin Tian and Ruixiang Zhao and Xirong Li},
journal= {arXiv preprint arXiv:2204.01210},
year = {2025}
}
备注
Accepted as a long paper at MMM 2026