
摘要
无监督域自适应(Unsupervised Domain Adaptation, UDA)旨在将标注源域中的知识迁移到未标注的目标域中。现有的基于自训练的UDA方法通常为目标域数据分配伪标签,并将其视为真实标签,以充分挖掘未标注目标数据用于模型适应。然而,由于源域优化模型在目标域上存在域差异,所生成的伪标签不可避免地包含噪声。为解决这一问题,本文提出一种MetaCorrection框架,其中设计了一种面向域感知的元学习策略——域感知元学习损失修正(Domain-aware Meta-learning for Loss Correction, DMLC),用于提升UDA语义分割的性能。具体而言,我们引入噪声转移矩阵(Noise Transition Matrix, NTM)来建模目标域伪标签中的噪声分布,并构建一个域不变的源域元数据集,用于引导NTM的估计。通过在元数据集上进行风险最小化优化,所得到的NTM能够有效修正伪标签中的噪声问题,从而提升模型在目标域上的泛化能力。考虑到浅层与深层特征之间存在表征能力差异,本文进一步将所提出的DMLC策略应用于不同层次的特征,为其提供匹配且兼容的监督信号,从而实现深层特征的充分适应。大量实验结果表明,所提方法在三个主流基准数据集上均显著优于现有最先进方法,充分验证了其有效性与优越性。