对比域适应

近来，对比自监督学习已成为许多计算机视觉任务与基准中视觉表示学习的关键组件。然而，对比学习在域适应背景下的应用仍大体未被充分探索。本文中，我们提议将对比学习扩展至一种新域适应设定，即一种特定情形：相似性在遵循不同概率分布且无标签访问的样本上学习并部署。对比学习在无监督设定下通过比较和对比正负样本对进行学习，无需访问源域与目标域标签。我们开发了近期提出的对比学习框架的一种变体，有助于应对域适应问题，进一步识别并移除可能与锚点相似的潜在负样本以缓解假负样本影响。广泛实验表明所提方法适应良好，并提升下游域适应任务性能。