面向含噪通用域适应的散度优化

通用域适应（UniDA）被提出用于将标签丰富的源域中学到的知识迁移至标签稀缺的目标域，且对标签集无任何约束。然而在实践中，在资源有限的源域中难以获取大量完全干净的标注数据。现有的 UniDA 方法依赖于带有正确标注的源样本，这极大限制了它们在现实世界中的应用。因此，我们考虑一种称为含噪 UniDA 的新现实设定，其中分类器使用来自源域的含噪标注数据以及来自目标域的具有未知类别分布的未标注数据进行训练。本文引入一个双头卷积神经网络框架来同时解决所有问题。我们的网络由一个公共特征生成器和两个具有不同决策边界的分类器组成。通过优化两个分类器输出之间的散度，我们可以检测含噪源样本、发现目标域中的“未知”类，并对齐源域和目标域的分布。在不同域适应设定的广泛评估中，所提方法在大多数设定下大幅优于现有方法。