面向通用域适应的原型与反向点分类器学习

通用域适应旨在通过处理两种偏移（域偏移与类别偏移）来迁移数据集间的知识。其主要挑战是在将已知类别知识从源域适配至目标域的同时，正确区分未知目标样本。多数现有方法先训练目标适配的已知分类器，再依赖单一阈值区分未知目标样本。然而，这种简单的基于阈值的方法使模型无法考虑高维特征空间中已知与未知样本间存在的潜在复杂性。本文中，我们提出一种新方法，使用两组特征点，即原型与反向点的双分类器（CPR）。我们的核心思想是将每个原型与相应的已知类特征关联，同时将这些反向点推离原型以将其定位于潜在的未知特征空间。若目标样本在测试时落入任一反向点附近，则被分类为未知。为成功训练我们的框架，我们通过所提出的多准则选择收集被分类为已知或未知的局部、高置信目标样本，并额外对其施加熵损失正则化。为进一步适配，我们还应用标准一致性正则化，使输入两个不同视图的预测相匹配，以得到更紧凑的目标特征空间。我们在三个标准基准上评估了所提 CPR，取得了可比或新的 SOTA 结果。我们还提供了大量消融实验以验证框架中的主要设计选择。