邻近域与类别级域适应

无监督域适应旨在利用有标签的源域，学习一个在無标签目标域上表现良好的任务分类器。通过域对抗训练学习域不变深度特征已取得令人鼓舞的结果。然而，其任务分类器与域分类器的并行设计限制了实现更细粒度类别级域对齐的能力。为促进类别级域适应(CatDA)，基于联合类别-域分类器，我们提出了在域与类别两个层面上的对抗训练新损失。由于该联合分类器可视为分别针对两个域的独立任务分类器的拼接，我们的设计原则是强制两个任务分类器之间类别预测的一致性。此外，我们提出了邻近域的概念，其样本由分别来自两个域的样本对通过凸组合生成。直观上，对可能无穷多个邻近域的对齐增强了对原始域的对齐。我们在 CatDA 基础上提出了用于邻近域适应(VicDA)的对抗新损失，从而得到邻近与类别级域适应(ViCatDA)。我们还提出目标判别结构恢复(TDSR)以修复被对抗特征对齐破坏的固有目标判别性。我们还分析了关键设计能够对齐联合分布的内在原理。在多个基准数据集上的大量实验表明我们达到了新的 SOTA。