面向通用无监督跨域检索的语义特征学习

跨域检索（CDR）作为众多技术的关键工具，正获得越来越广泛的应用。然而，现有的研究面临几个主要问题，其中最关键的是需要准确的监督，这通常需要耗费大量资源和精力。前沿研究专注于实现无监督CDR，但通常假设各域之间的类别空间是相同的，这一假设在现实场景中往往不切实际。这是因为只有通过专门且全面的分析才能确认不同域的类别空间相同，这与无监督场景的前提相矛盾。因此，在这项工作中，我们首次引入了通用无监督跨域检索（U^2CDR）问题，并设计了一个两阶段的语义特征学习框架来解决它。在第一阶段，在实例-原型混合对比损失和语义增强损失的指导下，建立跨域统一原型结构，以抵消类别空间差异。在第二阶段，通过修改的对抗训练机制，我们确保在域对齐期间已建立的原型结构发生最小变化，从而实现更准确的最近邻搜索。在多个数据集和场景（包括闭集、部分和开集CDR）上的大量实验表明，我们的方法在解决U^2CDR挑战方面显著优于现有SOTA CDR工作以及其他主题的一些潜在有效研究。