摘要

通用领域自适应（Universal Domain Adaptation, UniDA）是一个兼具实际意义与挑战性的问题，其特点在于缺乏源域与目标域之间关系的先验信息，从而给知识迁移带来困难。现有的UniDA方法往往面临两个关键问题：一是忽视了目标域内部的域内变化，二是难以有效区分相似的已知类别与未知类别。为解决上述问题，本文提出一种新型的互学习网络（Mutual Learning Network, MLNet），该方法引入邻域不变性机制以提升性能。在所提方法中，我们设计了基于置信度引导的不变特征学习策略，并结合自适应邻域选择机制，有效降低目标域内部的特征差异，从而获得更具泛化能力的特征表示。同时，通过采用跨域混合（cross-domain mixup）策略以增强对未知类别的识别能力，并利用封闭集分类器与开放集分类器之间的互学习机制，对已知类别的误判进行有效修正。在三个公开基准数据集上的大量实验表明，所提方法在多数情况下均优于现有最先进方法，并在UniDA的全部四种设置下显著超越基线模型。代码已开源，地址为：https://github.com/YanzuoLu/MLNet。