基于自监督任务的多源无监督域适应法

摘要

针对多源聚合下同时对齐域不变特征较困难而造成分类精度不高的问题,提出基于自监督任务的多源无监督域适应法.该方法引入旋转、水平翻转和位置预测3个自监督辅助任务,通过伪标签性、语义信息的一致性对无标签数据进行自适应的对齐优化.构建新的优化损失函数,减少多域公共类别的分类差异.针对类别不均衡的问题,基于少样本大权重的原则,定义动态权重参数,提高模型的分类性能.在公开的Office-31、Office-Caltech102种基准数据集上,与现有的主流方法进行实验对比.实验结果表明,在类别均衡、不均衡2种情况下,分类精度最高可以提高6.8%.