顶刊 IJCV | 利用样本间亲和性实现可知晓性感知的通用领域自适应

主要观点总结

文章提出了一种新的框架来探索通用领域自适应（UniDA）中的样本间亲和性。框架通过估计每个样本的可知晓性来减少未知样本和已知样本之间的样本间亲和性，同时增加已知样本内的亲和性。通过在四个公共数据集上的实验，结果显示该方法优于现有方法，实现了最先进的性能。

关键观点总结

关键观点1: 核心思想

通过估计每个样本的可知晓性来减少未知样本和已知样本之间的样本间亲和性，同时增加已知样本内的亲和性。

关键观点2: 方法步骤

首先，通过基于可知晓性的已知/未知样本的引导检测，利用样本邻域的内在结构，通过亲和力矩阵的第一奇异向量获得每个目标样本的可知晓性。然后，基于邻域一致性的标签细化，根据预测标签的邻域一致性重新标记目标样本。这两个步骤辅助损失用于减少未知和已知目标样本之间的样本间亲和性。

关键观点3: 实验结果

在四个公共数据集上的实验表明，该方法显著优于现有最先进的方法，实现了SOTA性能。

关键观点4: 局限性

该方法没有充分利用未知样本集中的样本间关系，未来工作将扩展该方法，利用这种关系进一步提升性能。