摘要
大规模标注数据集的需求是制约深度神经网络训练准确性的主要因素之一。无监督域适应（Unsupervised Domain Adaptation）通过将一个拥有大量标注数据的源域中的知识迁移到目标域，从而缓解标注数据稀缺的问题。一种常见的方法是学习域不变特征，例如采用对抗性训练策略。以往的方法通常分别训练域分类器和类别分类器网络，两者之间缺乏有效交互。本文提出一种基于分类器的反向传播诱导特征空间加权机制，该方法具有两大优势：其一，使域分类器能够聚焦于对分类任务具有重要意义的特征；其二，增强了分类分支与对抗分支之间的耦合性。此外，我们提出一种迭代式标签分布对齐方法，利用前序迭代的结果来近似构建类别平衡的数据加载器。我们在三个基准数据集Office-31、OfficeHome和DomainNet上进行了实验与消融研究，充分验证了所提算法的有效性。