摘要
部分域适应（Partial Domain Adaptation, PDA）因其贴近实际应用场景而受到广泛关注。现有的PDA方法通常通过对目标域与重加权源域分布进行对齐来实现特征提取器的适应。然而，本文通过实验发现，一些先进PDA方法中基于重加权分布对齐的特征适应策略对源域数据的“噪声”权重较为敏感，导致在某些具有挑战性的基准测试中出现负向域迁移现象。为应对负向域迁移的挑战，本文提出一种新颖的对抗性重加权（Adversarial Reweighting, AR）方法：该方法通过对抗性学习机制自动学习源域数据的权重，以实现源域与目标域分布的有效对齐，并在此基础上利用重加权后的源域数据训练可迁移的深度识别网络。基于这一思想，我们设计了一种交替优化算法，交替更新网络参数并优化源域数据的权重。大量实验结果表明，所提方法在ImageNet-Caltech、Office-Home、VisDA-2017和DomainNet等多个基准数据集上均取得了当前最优的性能表现。消融实验进一步验证了所提方法的有效性。