计算机应用

作者：丁美荣, 卓金鑫, 陆玉武, 刘庆龙, 郎济聪

单位：华南师范大学 软件学院，广东 佛山 528225

关键词：领域自适应,迁移学习,图像分类,核范数,对抗学习

基金：国家自然科学基金资助项目(62176162);广东省自然科学基金资助项目(2022A1515140099)

现有的领域自适应方法过于关注源域的细粒度特征学习，从而削弱了相关方法有效推广到目标域的能力，导致这些方法容易在特定的环境中过度拟合，且缺乏对复杂环境的鲁棒性。为了解决上述问题，提出一个融合环境标签平滑与核范数差异（ELSND）的领域自适应模型。所提模型通过环境标签平滑模块，减小真实标签的概率，增大非真实标签的概率，进而增强模型对不同场景的适应性。同时，运用核范数差异模块度量源域与目标域的分布差异，从而提高决策边界处样本的分类确定性。在Office-31、Office-Home和MiniDomainNet这3个领域的自适应基准数据集上进行大量实验。结果表明，与先进的基线模型DomainAdaptor-Aug （DomainAdaptor with generalized entropy minimization-Augmentation）在MiniDomainNet数据集上相比，ELSND模型在图像分类领域自适应任务上的精确度提升了1.23个百分点。因此，所提模型在图像分类时具有更高的精确度和泛化性。

来源：2025年第4期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第4期