Page 343 - 《软件学报》2025年第7期

3264 软件学报 2025 年第 36 卷第 7 期

i
η 0 为 γ =10, β =0.75. 其中, 表示随着训练进程从 0 线性增加到 1, i 表示当前周期, T
其中, 初始学习率 0.01, 参数
T
表示总训练周期, 批量大小设置为 16, 训练周期为 40.

3.2.3 实验结果与分析
[3]
[9]
对于 ImageCLEF-DA 数据集, 将 A-UDA 与 ResNet [64] , DDC [10] , DAN , DANN , D-CORAL [15] , JAN [26] ,
[9]
[3]
MADA [24] , CAN [25] , SPCAN [25] 进行比较. 对于 Office-Home 数据集, 将 A-UDA 与 ResNet [64] , DAN , DANN ,
CDAN [17] 和 SPCAN [17] 进行比较. 本文每个实验重复 5 次, 并报告了 Office-Home 数据集上准确率的平均值以及
ImageCLEF-DA 数据集上准确率的平均值和标准差. 这里, ImageCLEF-DA 数据集和 Office-Home 的实验结果分
别列于表 4 和表 5.

表 4 ImageCLEF-DA 数据集上的分类准确率 (%)

方法 I→P P→I I→C C→I C→P P→C Avg.
ResNet [64] 74.8±0.3 83.9±0.1 91.50.3 78.0±0.2 65.5±0.3 91.2±0.3 80.7
DDC [10] 74.6±0.3 85.7±0.8 91.10.3 82.3±0.7 68.3±0.4 88.8±0.2 81.8
DAN [9] 75.0±0.4 86.2±0.2 93.3±0.2 84.1±0.4 69.8±0.4 91.3±0.4 83.3
DANN [3] 75.0±0.6 86.0±0.3 96.2±0.4 87.0±0.5 74.3±0.5 91.5±0.6 85.0
D-CORAL [15] 76.9±0.2 88.5±0.3 93.6±0.3 86.8±0.6 74.0±0.3 91.6±0.3 85.2
JAN [26] 76.8±0.4 88.0±0.2 94.7±0.2 89.5±0.3 74.2±0.3 91.7±0.3 85.8
MADA [24] 75.0±0.3 87.9±0.2 96.0±0.3 88.8±0.3 75.2±0.2 92.2±0.3 85.8
CAN [25] 78.2 87.5 94.2 89.5 75.8 89.2 85.7
SPCAN [25] 79.5 89.7 94.7 89.9 78.5 92.0 87.4
CDAN [17] 76.7±0.3 90.6±0.3 97.0±0.4 90.5±0.4 74.5±0.3 93.5±0.4 87.1
[17]
CDAN+E 77.7±0.3 90.7±0.2 97.7±0.3 91.3±0.3 74.2±0.2 94.3±0.3 87.7
A-UDA 77.0±0.5 92.7±0.5 96.0±0.2 91.9±0.2 76.4±0.9 95.1±0.3 88.2

表 5 Office-Home 数据集上的分类准确率 (%)

方法 A→C A→P A→R C→A C→P C→R P→A P→C P→R R→A R→C R→P Avg.
ResNet [64] 34.9 50.0 58.0 37.4 41.9 46.2 38.5 31.2 60.4 53.9 41.2 59.9 46.1
DAN [9] 43.6 57.0 67.9 45.8 56.5 60.4 44.0 43.6 67.7 63.1 51.5 74.3 56.3
DANN [3] 45.6 59.3 70.1 47.0 58.5 60.9 46.1 43.7 68.5 63.2 51.8 76.8 57.6
JAN [26] 45.9 61.2 68.9 50.4 59.7 61.0 45.8 43.4 70.3 63.9 52.4 76.8 58.3
CDAN [17] 49.0 69.3 74.5 54.4 66.0 68.4 55.6 48.3 75.9 68.4 55.4 80.5 63.8
CDAN+E [17] 50.7 70.6 76.0 57.6 70.0 70.0 57.4 50.9 77.3 70.9 56.7 81.6 65.8
A-UDA 55.4 70.1 76.8 62.6 71.2 70.7 61.5 56.4 78.2 72.7 61.7 83.3 68.4

表 4 和表 5 展示了所提出的模型与基线方法在源域→目标域中各个域适应任务上的平均准确率. 在每个表格
中, 粗体和下划线分别表示每个任务的最佳和次佳的结果. 从 ImageCLEF-DA 数据集上 6 组域适应任务的实验结
果可以看出, 本文所提出的 A-UDA 算法的效果优于所有对比的算法. 与其他模型进行比较, A-UDA 在
ImageCLEF-DA 数据集的其中 4 个任务中获得最好的性能, 平均准确率为 88.2%, 相比于 SPCAN 算法, 平均准确
率提高了 0.8%, 相比于 CDAN+E 算法, 平均准确率提高了 0.5%. 这说明本文提出的算法可以在场景较为丰富的

领域达到较好的分类效果.
从实验结果可以看出, 相比较于现有的算法, 本文所提出的 A-UDA 算法在 Office-Home 数据集的 12 个域适
应任务中的其中 11 个任务上获得了最佳性能. 从均值上看, 在 Office-Home 数据集这个具有挑战性的数据集上对
应于算法 DAN, DANN, JAN, CDAN, CDAN+E, 分类精度分别提升了 12.1%, 10.8%, 10.1%, 4.6%, 2.6%, 平均准确
率为 68.4%, 与最佳对比算法 CDAN+E 相比提高 2.6%. 说明本文方法对于域适应任务有明显的提升作用. 一些基