第４９卷第５期２０２３年５月北京工业大学学报ＪＯＵＲＮＡＬＯＦＢＥＩＪＩＮＧＵＮＩＶＥＲＳＩＴＹＯＦＴＥＣＨＮＯＬＯＧＹＶｏｌ．４９Ｎｏ．５Ｍａｙ２０２３类别语义信息对齐的无监督领域自适应网络贾熹滨，李启铭，王珞（北京工业大学信息学部，北京１００１２４）摘要：针对在目标应用场景中缺乏大量有标定训练数据的情况下难以获得有效的深度学习分类模型的问题，结合领域分布差异的方法与对抗学习方法的优势，提出以显式特征对齐与隐式领域对抗及类别对齐为基础的领域自适应框架．对于显式特征对齐模块，考虑到领域知识差异大带来的优化难题，采用渐进式协同优化策略，通过逐层减小不同语义层之间的领域差异，提升领域自适应性能．对于隐式类别对齐模块，为了增强目标特征的判别性，使用自训练方法获得伪标签，克服伪标签存在的标签噪声问题，并通过学习混淆矩阵优化伪标签的准确率，自动构造新的目标领域损失函数，从而在减小领域间差异的同时，提升源领域与目标领域相同类别的特征分布对齐的准确性．基于Ｏｆｆｉｃｅ⁃３１数据集的６个跨领域分类任务与基于Ｏｆｆｉｃｅ⁃Ｈｏｍｅ数据集的１２组跨领域分类任务的实验结果表明，该方法在迁移学习任务上的平均分类准确率相较于基准方法分别提升１１.９％和１９.９％，所提出网络对于领域自适应任务是有效的．关键词：迁移学习；领域自适应；领域对抗学习；领域特征对齐；图像分类；伪标签优化中图分类号：ＴＰ１８３文献标志码：Ａ文章编号：０２５４－００３７（２０２３）０５－０５２３－０９ｄｏｉ：１０．１１９３６／ｂｊｕｔｘｂ２０２１１１０００９收稿日期：２０２１⁃１１⁃０９；修回日期：２０２１⁃１２⁃２８基金项目：北京市自然科学基金资助项目（４２０２００４）；国家自然科学基金资助项目（６１８７１２７６，８２０７１８７６）作者简介：贾熹滨（１９６９—），女，教授，主要从事视觉信息处理、图像处理、信息融合方面的研究，Ｅ⁃ｍａｉｌ：ｊｉａｘｉｂｉｎ＠ｂｊｕｔ．ｅｄｕ．ｃｎＣａｔｅｇｏｒｙＳｅｍａｎｔｉｃＩｎｆｏｒｍａｔｉｏｎＡｌｉｇｎｍｅｎｔＮｅｔｗｏｒｋｆｏｒＵｎｓｕｐｅｒｖｉｓｅｄＤｏｍａｉｎＡｄａｐｔａｔｉｏｎＪＩＡＸｉｂｉｎ，ＬＩＱｉｍｉｎｇ，ＷＡＮＧＬｕｏ（ＦａｃｕｌｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ１００１２...
