摘要
近期在领域适应方面的进展表明，深度自训练提供了一种强大的无监督领域适应方法。这些方法通常涉及一个迭代过程，即在目标域上进行预测，然后将置信度较高的预测作为伪标签用于重新训练。然而，由于伪标签可能存在噪声，自训练可能会对错误类别产生过度自信的标签信念，从而导致带有传播误差的偏差解决方案。为了解决这一问题，我们提出了一种置信度正则化自训练（Confidence Regularized Self-Training, CRST）框架，该框架被表述为正则化自训练。我们的方法将伪标签视为连续潜在变量，并通过交替优化的方式进行联合优化。我们提出了两种类型的置信度正则化：标签正则化（Label Regularization, LR）和模型正则化（Model Regularization, MR）。CRST-LR生成软伪标签，而CRST-MR鼓励网络输出的平滑性。大量图像分类和语义分割实验表明，CRST方法优于其非正则化的同类方法，并取得了最先进的性能。本工作的代码和模型可在https://github.com/yzou2/CRST 获取。