摘要
无监督域适应（Unsupervised Domain Adaptation, UDA）在目标域数据上进行预测，而手动注释仅在源域中可用。以往的方法通过最小化域间差异来忽略类别信息，这可能导致对齐错误和较差的泛化性能。为了解决这一问题，本文提出了一种对比适应网络（Contrastive Adaptation Network, CAN），该网络优化了一个新的度量指标，显式地建模了类内域间差异和类间域间差异。我们设计了一种交替更新策略，以端到端的方式训练CAN。在两个真实世界基准数据集Office-31和VisDA-2017上的实验表明，CAN在性能上优于现有最先进方法，并且生成了更具判别性的特征。
代码仓库
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| domain-adaptation-on-office-31 | Contrastive Adaptation Network | Average Accuracy: 90.6 |
| domain-adaptation-on-visda2017 | CAN | Accuracy: 87.2 |