D3GU：通过增强域对齐的多目标主动域适应

无监督域适应（UDA）在图像分类中取得了显著进展，通过有效的域对齐技术将分类知识从标注的源域迁移到未标注的目标域。最近，为了进一步提高目标域的性能，许多单目标主动域适应（ST-ADA）方法被提出，用于识别和标注显著且具有代表性的目标样本。然而，这需要为每个目标域训练和部署一个模型，并且需要每个测试样本的域标签。这极大地限制了其在具有多个目标域的普遍场景中的应用。因此，我们提出了一种用于图像分类的多目标主动域适应（MT-ADA）框架，命名为D3GU，以同时对齐不同域并主动从中选择样本进行标注。据我们所知，这是该领域的首次研究尝试。D3GU在训练过程中应用分解域判别（D3）来实现源-目标和目标-目标域对齐。然后在主动采样阶段，设计了一个梯度效用（GU）分数，根据每个未标注目标图像对分类和域对齐任务的贡献进行加权，并进一步与KMeans聚类结合形成GU-KMeans以实现多样化的图像采样。在三个基准数据集Office31、OfficeHome和DomainNet上进行了大量实验，验证了D3GU在MT-ADA中持续优越的性能。