面向无监督域自适应的能量约束自训练

无监督域自适应（UDA）旨在将标记源域分布上的知识迁移以在未标记目标域上表现良好。近来，深度自训练涉及一个迭代过程：在目标域上预测，然后将置信预测作为硬伪标签用于重训练。然而，伪标签通常不可靠，并容易因错误传播而导致偏离的解。在本文中，我们求助于基于能量的模型，并用能量函数最小化目标约束未标记目标样本的训练。它可作为简单的附加正则化项应用。在该框架中，有可能获得基于能量模型的益处，同时以即插即用的方式保持强大的判别性能。我们在最流行且大规模的图像分类及语义分割 UDA 基准上进行了大量实验，以证明其通用性与有效性。