Page 341 - 《软件学报》2025年第7期

3262 软件学报 2025 年第 36 卷第 7 期

3.1.2 实验设置
MNIST↔USPS: 在 USPS 和 MNIST 数据集上评估两种域适应场景. MNIST 数据集分为 60 000 张训练图像和
10 000 张测试图像, 而 USPS 数据集包含 7 291 张训练图像和 2 007 张测试图像. 本文分别将 MNIST 和 USPS 作
为源域和目标域, 获得两组域适应任务. 在每个域适应任务中, 使用 JDA [62] 提供的协议, 分别在 USPS 中随机抽取
1 800 幅图像, MNIST 中随机抽取 2 000 幅图像作为训练集. 这里, 使用通道拷贝将单通道的 MNIST 和 USPS 转变
为三通道. 为匹配 MNIST 图像, 将 USPS 图像从 16×16 分辨率放大到 28×28 分辨率, 每张的图片像素都归一化至
[0, 1] 之间.
SVHN→MNIST: SVHN 和 MNIST 数据集分别作为源域和目标域. SVHN 相比于 MNIST 在彩色背景、对比
度、旋转、比例等方面有显著的变化. 在这种域适应场景中, 根据 DANN [17,45] 使用整个训练集 (标记的 73 257 张
SVHN 图像和未标记的 60 000 张 MNIST 图像) 进行训练, 并对目标域 (MNIST 数据集) 的训练集进行评估. 将
SVHN 重新缩放到 28×28 像素, 并且将 MNIST 灰度通道复制到 3 个 RGB 通道.
本任务中采用 3 层卷积层、两层全连接层的 LeNet 网络. 在进行 MNIST↔USPS 任务中, 因所需的两个数据
集训练样本较少, 为防止过拟合, 设置实验在迭代 500 次后停止训练. SVHN→MNIST 任务中设置训练迭代次数为
3 000 次. 使用小批量随机梯度下降 (mini-batch SGD) 训练网络, 学习率设置为 0.1, 动量为 0.05, 权重衰减为 0.003.
批量大小设置为 64.

3.1.3 实验结果与分析
表 2 列出了 A-UDA 方法与其他无监督域适应方法在数字分类数据集上进行对比的结果. 每个实验结果由 5
次随机实验的平均值和标准差组成, 最优的准确率用粗体表示, －表示未报告结果.

表 2 各种方法在数字分类任务上的准确率 (%)

方法 SVHN→MNIST USPS→MNIST MNIST→USPS Avg.
Source only 59.3±0.1 48.2±5.9 74.7±0.1 60.7
DANN [3] 71.1 73.0 77.1 73.7
DSN [41] 82.7 － 91.3 87.0
ADDA [44] 76.0±1.8 90.1±0.8 89.4±0.2 85.2
CoGAN [45] － 89.1 91.2 90.2
DRCN [46] 91.0±0.2 73.4±0.0 91.8±0.1 85.4
MCD [61] 96.2±0.4 94.1±0.3 94.2±0.7 94.8
A-UDA 97.6±0.1 96.5±0.6 94.6±0.7 96.2

实验结果表明, 本文所提方法在 3 种数字分类域适应任务中均取得了最好的性能. Source only 表示仅在源域
数据上进行训练, 然后直接在目标域数据上进行测试的结果. 如表 2 所示, 在 SVHN→MNIST、USPS→MNIST 和
MNIST→USPS 任务上相比于其他基线的最佳准确率分别提高了 1.4%, 2.4% 和 0.4%. SVHN→MNIST 任务的准
确率在 3 个域适应任务中相比于所表示的最佳基线提升效果最为明显, 反映了本文模型在更加困难的域适应任务
中有着更好的分类效果. 具体来说, A-UDA 与 DRCN 方法相比, 平均精度提升了 10.8%, MCD 通过训练两个分类
器来减少源域和目标域之间的距离. 与 MCD 方法进行比较, 其平均精度升了 1.4%. 由此可以看出, 利用目标领域
的分类信息来指导无监督域适应的学习是尤为重要的, 正确的伪标签信息可以起到显著的正向促进模型预测准确
的效果. 当源域分类器预测更为准确时, 目标域中无标记样本的正确预测标签概率更大, 反馈到网络中使得模型在
训练过程中不断进行优化. 本文所提出的算法在匹配特征分布的基础之上, 引入伪标签策略, 并结合一致性正则化
技术, 从而进一步改善域适应模型性能, 验证了 A-UDA 方法在无监督域适应场景下有效性.
此外, 为观察特征分类情况. 在图 5 中, 使用 t-SNE [63] 将 A-UDA 与 MCD 两个方法在 MNIST→USPS、
SVHN→MNIST 任务上的结果在二维空间进行展示, 将所学习的特征可视化. 这里, 红色和蓝色的点分别表示源域
样本和目标域样本的特征, 不同的簇代表不同的分类类别. Before adaptation 表示不进行域适应而直接将源域训练
的模型用于目标域, 所学习到的特征可视化的结果. Adapted 表示使用域适应方法对目标域特征进行可视化得到的