摘要

无监督域适应（UDA）将知识从标签丰富的源域转移到完全未标注的目标域。为了应对这一任务，近期的方法通过利用伪标签进行判别性域迁移，以实现源域和目标域在类别级别上的分布对齐。然而，这些方法容易受到误差累积的影响，因此无法保证跨域类别的连贯性，因为伪标签的准确性并未得到明确保证。本文中，我们提出了一种渐进特征对齐网络（PFAN），该网络通过利用目标域内的类内变化，逐步且有效地对齐不同域之间的判别特征。具体而言，我们首先开发了一种由易到难的迁移策略（EHTS）和自适应原型对齐（APA）步骤，以迭代和交替的方式训练我们的模型。此外，观察到良好的域适应通常需要一个未饱和的源分类器，我们考虑了一种简单而高效的方法，在软最大函数中引入温度变量来减缓源分类损失的收敛速度。广泛的实验结果表明，所提出的PFAN在三个UDA数据集上超过了最先进的性能。