基于三元组的域对齐

深度域自适应方法可通过学习域不变嵌入来减小分布差异。然而，这些方法仅关注对齐整体数据分布，未考虑源图像与目标图像之间的类级关系。因此，鸟的目标嵌入可能被对齐到飞机的源嵌入。这种语义错对齐会直接降低分类器在目标数据集上的性能。为缓解此问题，我们提出一种用于无监督域自适应的相似性约束对齐(SCA)方法。在对齐嵌入空间中的分布时，SCA施加保相似性约束以维持源图像与目标图像间的类级关系，即，若源图像与目标图像具有相同类标签，则其对应嵌入应邻近对齐，反之亦然。在缺乏目标标签时，我们为目标图像分配伪标签。给定带标签的源图像与伪标签目标图像，该保相似性约束可通过最小化三元组损失来实现。在域对齐损失与保相似性约束的联合监督下，我们训练网络获得具有类内紧致与类间可分两个关键特性的域不变嵌入。在两个数据集上的大量实验充分证明了SCA的有效性。