摘要

近年来，最大分类器差异（Maximum Classifier Discrepancy, MCD）方法在解决图像分类任务中的无监督域自适应问题上取得了显著成功。其基本结构由一个特征生成器和两个分类器组成，旨在最大化分类器之间的差异性，同时最小化目标域样本在生成器层面的差异性。该方法通过引入任务特定的分类器，消除了在类别边界附近对目标样本分类的模糊性，从而提升了现有对抗训练方法的性能。本文提出了一种改进的网络架构及两种新的训练目标，以进一步提升最大分类器差异方法的性能。第一种训练目标旨在最小化特征层面的差异性，迫使生成器提取域不变特征，尤其在源域与目标域分布差异较大的情况下具有显著优势。第二种训练目标在小批量（mini-batch）层面发挥作用，通过最大化目标域类别预测期望值的熵，促使目标域的类别预测分布趋于均匀。通过大量实证评估，我们证明所提出的网络架构与训练目标显著提升了原始算法的性能。此外，该方法在多数无监督域自适应任务中也优于当前最先进的技术。