基于原型的语义一致性对齐用于域自适应检索

域自适应检索旨在将知识从有标签的源域迁移到无标签的目标域，在缓解域差异的同时实现有效检索。然而，现有方法存在几个基本局限：1）忽视类级语义对齐而过度追求成对样本对齐；2）缺乏伪标签可靠性考虑或评估标签正确性的几何指导；3）直接量化受域偏移影响的原始特征，削弱了学习到的哈希码质量。鉴于这些局限，我们提出基于原型的语义一致性对齐（PSCA），一个用于有效域自适应检索的两阶段框架。在第一阶段，一组正交原型直接建立类级语义连接，在最大化类间可分离性的同时聚集类内样本。在原型学习过程中，几何邻近性通过自适应加权伪标签置信度，为语义一致性对齐提供可靠性指标。由此产生的成员矩阵和原型促进特征重建，确保在重建而非原始特征上进行量化，从而提高后续哈希编码质量并无缝连接两个阶段。在第二阶段，域特定量化函数在相互近似约束下处理重建特征，生成跨域的统一二进制哈希码。广泛实验验证了 PSCA 在多个数据集上的优越性能。