生成、增强与对齐：一种基于伪源域的无源域适应方法

传统的无监督域适应（UDA）方法需要同时访问带标签的源样本和无标签的目标样本来训练模型。然而在某些场景中，由于数据隐私和安全性问题，目标域无法获取源样本。为应对这一挑战，近年来无源域适应（SFDA）引起了研究者的关注，其设定为仅给定一个已训练的源模型和无标签的目标样本。现有的 SFDA 方法要么采用基于伪标签的策略，要么生成更多样本。但这些方法并未显式地减小跨域分布偏移，而这正是良好适应的关键。尽管没有可用的源样本，我们幸运地发现，部分目标样本与源域非常相似，可用于近似源域。这个近似域被称为伪源域。本文受此观察启发，提出了一种基于伪源域的新方法。该方法首先生成并增强伪源域，然后采用基于伪标签策略的分布对齐，并引入四个新颖的损失函数。其中，在伪源域与剩余目标域之间引入了域对抗损失以减小分布偏移。在三个真实数据集上的结果验证了所提方法的有效性。