选择、标注与混合：面向部分域适应的判别性不变特征表示学习

部分域适应（Partial Domain Adaptation）假设目标域的未知标签空间是源域标签空间的子集，这一问题在计算机视觉领域受到广泛关注。尽管近年来取得了显著进展，现有方法仍普遍面临三个关键挑战：负迁移问题、潜在空间中特征判别性不足，以及域不变性缺失。为缓解上述问题，本文提出一种新颖的“选择、标注、混合”（Select, Label, and Mix, SLM）框架，旨在学习具有判别性的域不变特征表示，以应对部分域适应任务。首先，我们设计了一个高效的“选择”（Select）模块，能够自动筛选并剔除源域中的异常样本，从而避免负迁移现象，同时实现源域与目标域间分布的对齐。其次，引入“标注”（Label）模块，通过迭代方式利用源域的标注数据以及目标域生成的伪标签联合训练分类器，有效提升潜在空间的判别能力。最后，提出“混合”（Mix）模块，结合域混合（domain mixup）正则化策略与前两个模块协同优化，深入挖掘跨域间的内在结构关系，进一步构建适用于部分域适应任务的域不变潜在表示。在多个标准部分域适应基准数据集上的大量实验结果表明，所提出的SLM框架在性能上显著优于当前最先进的方法，验证了其有效性与优越性。