摘要

无监督域自适应（Unsupervised Domain Adaptation, UDA）方法在学习域不变表征方面已取得显著进展。然而，大多数现有研究均基于从源域到目标域的直接适应，难以应对二者之间较大的域差异问题。针对这一挑战，本文提出一种新型UDA方法，能够有效缓解大规模域差异带来的影响。我们引入了一种基于固定比例的Mixup策略，在源域与目标域之间构建多个中间域以实现数据增强。基于这些增强后的中间域，我们分别训练具有互补特性的源域主导模型与目标域主导模型。结合所提出的基于置信度的学习机制，如高置信度预测的双向匹配以及利用低置信度预测进行自惩罚，使模型能够相互学习或利用自身预测结果进行优化。通过上述方法，模型能够逐步实现从源域到目标域的域知识迁移。大量实验结果表明，所提出方法在三个公开基准数据集（Office-31、Office-Home 和 VisDA-2017）上均展现出显著优于现有方法的性能。