原型增强对比学习

跨域精度再提升

同时校准源域与目标域原型，用域内与跨域对比学习增强特征对齐，在少样本无监督域适应任务中进一步挖掘自监督潜力。

Lu, Gong · 张文 · Mingkang, Li · Jiali, Zhang · Zhang, Zili

Lecture Notes in Computer Science 2023

参数信息

准确率提升（Office）

3 %

技术优势

源标签少也能用

针对少样本无监督域适应场景设计，仅用少量源域标注即可训练出在目标域表现良好的分类器。

原型质量更高

通过新的计算策略修正源域原型，再利用修正后的源域原型改进目标域原型，为对比学习提供更可靠的监督信号。

特征对齐更充分

同时进行域内和跨域的原型对比学习，更好地学习语义信息并对齐特征分布。

三个基准全面提分

在Office、OfficeHome和DomainNet三个广泛使用的基准上，准确率分别提升超过3%、1%和0.5%。

应用场景

• 无监督领域适应：在目标域无标签时，用少量源域标注即可获得高性能分类器，替代需要大量标注的传统方法。
• 迁移学习：在跨域迁移场景中（如Office、OfficeHome），将源域知识有效迁移到目标域，提升模型在新域的准确率。
• 自监督学习：利用原型对比学习构造自监督信号，无需目标域标签即可训练更鲁棒的域适应模型。