摘要
领域自适应研究的是跨域知识迁移问题，其中带标签的源域与无标签的目标域具有显著不同的数据分布。近年来，对抗训练方法已被成功应用于领域自适应，并取得了当前最先进的性能。然而，现有的对抗模型仍存在一个致命缺陷，该缺陷源于对抗训练中的均衡难题。具体而言，尽管大多数现有方法能够有效混淆领域判别器，却无法保证源域与目标域在特征空间中足够相似。为此，本文提出一种新颖的方法——循环一致的条件对抗迁移网络（Cycle-Consistent Conditional Adversarial Transfer Networks, 3CATN），以解决这一问题。本方法通过对抗训练实现域对齐。具体地，我们利用学习到的特征之间的交叉协方差以及分类器预测结果对对抗网络进行条件约束，以捕捉数据分布的多模态结构。然而，由于分类器预测并非绝对可靠的确定性信息，若在预测不准确时施加过强的条件约束，将带来风险。因此，我们进一步提出：真正具有域不变性的特征应当能够在两个域之间实现可逆的特征转换。基于此思想，我们在条件对抗域自适应网络中引入了两种特征转换损失与一种循环一致性损失，以强化域间特征的可迁移性与一致性。在经典数据集及大规模数据集上的大量实验结果表明，所提出的模型在性能上显著优于现有最先进方法，验证了其有效性与优越性。