摘要

领域自适应（Domain Adaptation, DA）与领域泛化（Domain Generalization, DG）已成为应对领域偏移问题的有效方法，该问题表现为源域与目标域数据分布存在差异。相较于DA，DG任务更具挑战性，因为在DG场景中，目标域数据在训练阶段完全不可见。当前最先进的方法多采用对抗性技术，但这类方法在DG任务中却鲜有应用。此外，现有方法普遍未考虑相关性对齐（correlation alignment），而该技术已被证明在降低领域差异方面具有显著优势。本文提出一种兼顾相关性感知的对抗性DA与DG框架，通过结合相关性对齐与对抗学习，最小化源域与目标域特征之间的差异。将相关性对齐模块与对抗学习相结合，能够显著提升模型在无标签目标数据上降低领域差异的能力，从而构建更具领域无关性的模型。在多个基准数据集上的实验结果表明，所提出方法在性能上达到了当前最优水平，验证了其有效性与先进性。