面向无监督域适应的前景目标结构迁移

无监督域适应旨在利用带标签的源域为无标签的目标域训练分类模型。由于两个域的数据分布不同，模型在目标域上往往表现不佳。现有方法对齐源域和目标域的特征分布并学习域不变特征以提升模型性能。然而，特征通常作为整体被对齐，域适应任务未能服务于分类，这会忽略类别信息并导致错位。本文中，我们探究那些应当用于域对齐的特征，引入先验知识提取前景特征以引导面向分类任务的域适应，并在目标的局部结构中进行对齐。我们提出一种称为前景目标结构迁移（FOST）的方法。FOST 的关键在于基于聚类的新型条件，其结合了前景目标的相对位置关系。基于该条件，FOST 使同类数据分布在几何上更紧凑。实践中，由于目标域标签不可用，我们利用源域的聚类信息为目标域样本分配伪标签，然后根据源域数据先验知识引导那些正特征以最大化类间距离并最小化类内距离。在多个基准（$i.e.$ ImageCLEF-DA、Office-31、Office-Home、Visda-2017）上针对不同域适应设置的广泛实验结果证明，我们的 FOST 优于现有的 SOTA 域适应方法。