摘要
在多媒体智能领域，无需额外注释即可将视觉分类扩展到新领域的研究一直备受关注。此前，这一挑战主要通过无监督域适应（UDA）来解决。给定来自源域的有标签数据和来自目标域的无标签数据，UDA旨在寻找一种既具有判别性又具有域不变性的深度表示。尽管UDA侧重于目标域，我们认为源域和目标域的性能同样重要，因为在实际应用中测试样本来自哪个域是未知的。本文提出了一种新的任务——无监督域扩展（UDE），其目标是在利用目标域的无标签数据对深度模型进行适应的同时，保持模型在源域上的性能。我们提出了知识蒸馏域扩展（KDDE）作为UDE任务的一种通用方法。该方法的域适应模块可以使用任何现有的模型实例化。我们开发了一种基于知识蒸馏的学习机制，使得KDDE能够在单一目标函数中优化源域和目标域的性能，两者被同等对待。在两个主要基准数据集Office-Home和DomainNet上进行的大量实验表明，KDDE在UDA和UDE任务上均优于四个竞争基线方法，即DDC、DANN、DAAN和CDAN。我们的研究还揭示了当前的UDA模型在提高目标域性能的同时，会导致源域性能显著下降。