摘要

近期的领域自适应研究通过对抗训练，联合学习特征提取器与领域判别器网络，以获取领域不变的特征表示。然而，现有的领域对抗方法性能受限，因其在尝试匹配不同领域间分布的同时，未充分考虑具体任务的需求。为此，我们提出了一种名为“Drop to Adapt”（DTA）的新方法，该方法利用对抗性丢弃（adversarial dropout）机制，通过强制满足聚类假设（cluster assumption），学习具有强判别能力的特征。相应地，我们设计了相应的目标函数，以支持更稳健的领域自适应。在多项实验中，我们验证了所提方法的有效性，在图像分类与语义分割任务上均取得了稳定且显著的性能提升。项目源代码已公开，获取地址为：https://github.com/postBG/DTA.pytorch。