DAFD：基于特征解耦的域自适应图像分类方法

良好的特征表示是图像分类的关键。在实践中，图像分类器可能应用于与其训练场景不同的场景。这种所谓的域偏移导致图像分类性能显著下降。无监督域自适应（UDA）通过将从一个有标签的源域学到的知识迁移到无标签的目标域来减小域偏移。我们通过从全局特征图中提取类别相关特征并排除类别无关特征来实现 UDA 的特征解耦。这种解耦防止网络过拟合到类别无关信息，并使其专注于对分类有用的信息。这降低了域对齐的难度并提高了目标域上的分类准确率。我们提出了一种称为基于特征解耦的域自适应（DAFD）的由粗到细的域自适应方法，它包含两个组件：（1）类别相关特征选择（CRFS）模块，从类别无关特征中解耦出类别相关特征；（2）动态局部最大均值差异（DLMMD）模块，通过减小来自不同域的类别相关特征内部的差异来实现细粒度对齐。结合 CRFS，DLMMD 模块可以适当地对齐类别相关特征。我们在四个标准数据集上进行了综合实验。我们的结果清楚地证明了我们的方法在域自适应图像分类任务中的鲁棒性和有效性，以及其与最先进方法的竞争力。