Alignement Progressif des Caractéristiques pour l'Adaptation de Domaine Non Supervisée

L'adaptation de domaine non supervisée (UDA) transfère des connaissances d'un domaine source riche en étiquettes à un domaine cible entièrement non étiqueté. Pour relever ce défi, les approches récentes font appel au transfert de domaine discriminant grâce à des pseudo-étiquettes pour imposer l'alignement de la distribution au niveau des classes entre les domaines source et cible. Cependant, ces méthodes sont vulnérables à l'accumulation d'erreurs et ne sont donc pas capables de préserver la cohérence des catégories à travers les domaines, car l'exactitude du pseudo-étiquetage n'est pas explicitement garantie. Dans cet article, nous proposons le Réseau d'Alignement Progressif des Caractéristiques (PFAN) pour aligner progressivement et efficacement les caractéristiques discriminantes à travers les domaines, en exploitant la variation intra-classe dans le domaine cible. Plus précisément, nous développons d'abord une Stratégie de Transfert Facile à Difficile (EHTS) et une étape d'Alignement de Prototype Adaptatif (APA) pour entraîner notre modèle de manière itérative et alternative. De plus, en observant qu'une bonne adaptation de domaine nécessite généralement un classificateur source non saturé, nous considérons un moyen simple mais efficace de ralentir la vitesse de convergence de la perte de classification source en impliquant davantage une variable de température dans la fonction soft-max. Les résultats expérimentaux extensifs révèlent que le PFAN proposé dépasse les performances de pointe sur trois ensembles de données UDA.