融合环境标签平滑与核范数差异的领域自适应.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃04⁃10

计算机应用,2025,45(4):1130-1138CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）04-1130-09DOI:10.11772/j.issn.1001-9081.2024040417

融合环境标签平滑与核范数差异的领域自适应

*

丁美荣，卓金鑫，陆玉武，刘庆龙，郎济聪

（华南师范大学软件学院，广东佛山528225）

（∗通信作者电子邮箱luyuwu2008163.com）

摘要：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（DomainAdaptorwithgeneralizedentropy

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。

关键词：领域自适应；迁移学习；图像分类；核范数；对抗学习

中图分类号：TP391.4；TP18文献标志码：A

Domainadaptationintegratingenvironmentlabelsmoothingand

nuclearnormdiscrepancy

*

DINGMeirong，ZHUOJinxin，LUYuwu，LIUQinglong，LANGJicong

（SchoolofSoftware，SouthChinaNormalUniversity，FoshanGuangdong528225，China）

Abstract:Theexistingdomainadaptationmethodsoverlyfocusonfine-grainedfeaturelearninginthesourcedomain，

hinderingtheirabilitytoextendtothetargetdomaineffectively，makingthempronetooverfittinginspecificenvironments，

andlackingrobustness