利用类内相似性改进伪标签的无监督域适应方法

无监督域适应（UDA）将知识从富标签的源域迁移至不同但相关的完全无标签目标域。为应对域偏移问题，越来越多的 UDA 方法采用目标样本的伪标签以提升在目标域上的泛化能力。然而，目标样本不准确的伪标签可能在优化过程中因误差累积而导致次优性能。此外，一旦生成伪标签，如何补救已生成的伪标签尚远未被探索。本文提出一种改进目标域伪标签准确性的新方法。它首先通过常规 UDA 方法生成粗伪标签，然后迭代利用目标样本的类内相似性来改进所生成的粗伪标签，并以改进后的伪标签对齐源域与目标域。伪标签准确性的提升通过先删除不相似样本，再使用生成树剔除类内样本中伪标签错误的样本来实现。我们将所提方法作为附加项应用于若干常规 UDA 方法。实验结果表明，该方法能提升伪标签准确性，并进一步比常规基线得到更具判别性与域不变性的特征。