基于不确定性加权混合训练的无源域自适应

针对无源域数据的域自适应问题中源模型中的源知识得不到充分利用以及目标数据内在结构信息会被忽略的问题，提出了一种基于不确定性指导的加权混合训练的无源域数据的域自适应框架。首先在通道级对源模型预测的不确定性进行量化，将目标数据同时输入到源特征提取器和目标特征提取器，在通道级计算目标特征与源模型之间的不确定性距离，衡量源知识对目标模型的可迁移的不确定性，并利用它来指导对目标数据的适应过程。同时考虑到目标数据的内在结构信息，从源知识和目标数据两个方面考虑伪标签的置信度，以降低噪声伪标签的影响。最后对目标样本进行混合训练，并根据置信度得分对目标样本进行加权，以提高目标模型的鲁棒性。在Office-31,Office-Home和VisDA-C 3个域自适应基准数据集上分别取得了90.5%,72.8%,85.9%的分类效果，大量的对比实验及消融分析都证明了所提出的基于不确定性指导加权混合训练的框架具备良好的迁移能力。