摘要

无监督域自适应（Unsupervised Domain Adaptation, UDA）旨在通过将源域（拥有大量标注数据）的知识迁移至目标域（无标注数据），从而克服对大规模标注数据集的依赖。由于目标域中缺乏真实标签，早期的域间分布错位可能在后续训练阶段持续累积，导致误差不断放大。为缓解这一问题，本文提出一种渐进式源域扩展（Gradual Source Domain Expansion, GSDE）算法。GSDE通过多次从零开始训练UDA任务实现，每次均重新初始化网络权重，但逐步将目标域数据纳入源域数据集。具体而言，前一轮训练中得分最高的目标域样本被作为伪源样本（pseudo-source samples），并赋予相应的伪标签。该策略使得新训练阶段从一开始就可直接利用前一轮学习到的知识，从而显著提升源域与目标域之间的对齐效果，尤其在训练初期表现更为突出。在本研究中，我们首先构建了一个性能强大的基线网络，并在此基础上应用GSDE策略。我们在三个主流基准数据集（Office-31、Office-Home和DomainNet）上进行了大量实验与消融研究，结果表明，所提方法在各项指标上均优于现有最先进方法。此外，我们进一步验证了GSDE策略具有良好的泛化能力，可有效提升多种不同前沿UDA方法的性能。