第49卷第2期2023年2月北京工业大学学报JOURNALOFBEIJINGUNIVERSITYOFTECHNOLOGYVol.49No.2Feb.2023基于对比学习的双分类器无监督域适配模型孙艳丰,陈摇亮,胡永利(北京工业大学信息学部,北京摇100124)摘摇要:针对深度域适配问题中冗余信息导致模型性能不佳的问题,提出基于对比学习的双分类器域适配模型.该模型基于双分类器对抗理论,首先,将输入数据增强2次以获得2个视角的特征,通过将不同视角的特征输入不同的分类器提高分类器的多样性;其次,将双分类器方法和对比学习思想结合,使模型能够捕获数据的高层语义表征,减少不同类特征的混淆程度;最后,通过设立标签分布对齐正则项引导边界样本正确分类.实验结果表明,双分类器间的对比损失能提取数据中的有效信息,从而提升模型性能.关键词:深度学习;域适配;对比学习;对抗学习;双分类器;分布对齐中图分类号:TP391郾41文献标志码:A文章编号:0254-0037(2023)02-0197-08doi:10.11936/bjutxb2021110013收稿日期:2021鄄11鄄15;修回日期:2022鄄04鄄02基金项目:国家自然科学基金资助项目(61772048)作者简介:孙艳丰(1964—),女,教授,主要从事模式识别、机器学习和图像分析方面的研究,E鄄mail:yfsun@bjut.edu.cnContrastiveLearning鄄basedBi鄄classifierUnsupervisedDomainAdaptationModelSUNYanfeng,CHENLiang,HUYongli(FacultyofInformationTechnology,BeijingUniversityofTechnology,Beijing100124,China)Abstract:Fordeepdomainadaptationissues,redundantinformationinfeaturerepresentationcausespoormodelperformance.Abi鄄classifierdomainadaptationmodelwasproposedbasedoncontrastivelearning.Basedonthetheoryofbi鄄classifierlearning,theinputdatatwicewasenhancedtoobtainthefeaturesfromtwoviews,andthediversityofclassifierswasimprovedbyinputtingfeaturesofdifferentperspectivesintodifferentclassifiers.Atthesametime,bycloselycombiningthebi鄄classifiermethodandcontrastlearning,themodelwasabletocapturehigh鄄levelsemanticrepresentationsofthedata,andreducetheconfusiondegreebetweenfeaturefromdifferentclass.Finally,thesampleswererecognizedbytheproposedmodelatclassificationboundarycorrectlybyaligningthelabeldistribution.Experimentalresultsverifythatthecontrastivelossbetweentwoclassifierscanextractvalidinformationfromthedata,therebyimprovingmodelperformance...
