计算机应用研究

作者：杨国庆,郭本华,钱淑渠,武慧虹,韩静,

单位：1.贵州财经大学信息学院,贵阳550025；2.安顺学院数计学院,贵州安顺561000；

关键词：无监督领域自适应,迁移学习,伪标签,

基金：贵州省JMRH集成攻关大平台资助项目；国家自然科学基金资助项目(61762001)；贵州省教育厅创新群体重大项目(黔教合KY字［2018］034,［2019］069)；贵州省教育厅自然科学基金资助项目；青年科技人才成长项目(黔教合KY字［2020］131,［2018］337)；安顺学院研究生创新基金资助项目(asxyyjscx202104)；；

现有的领域自适应方法在匹配分布时并未完全考虑伪标签置信度或伪标签损失计算问题，针对此类问题，提出循环选择伪标签分类模型（CSPL）。利用深度网络提取图像特征，为目标域打上高置信度伪标签使得训练数据增强，采用MMD距离度量方法对齐源域和目标域的概率进行分布，同时设计伪标签损失同步迭代学习，更新模型作为下一次循环的训练模型直至模型收敛。在常用的领域自适应数据集Office31、Office-Home、ImageCLEF-DA以及Amazon-Review上实验表明，该模型相比之前域适应模型在准确度方面平均提升4%~8%，且模型的鲁棒性也明显增加。

来源：2022年第5期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第5期