11、通用领域自适应：迈向未知标签集的深度学习解决方案

通用领域自适应：迈向未知标签集的深度学习解决方案

1. 引言

近年来，深度学习在计算机视觉领域取得了巨大成功，特别是在图像分类、目标检测等任务中。然而，深度学习模型的成功依赖于大量的标注数据，这在新场景中往往难以获取。为了使模型在未见数据上也能表现良好，领域自适应（Domain Adaptation, DA）成为了一种有前景的方法。通用领域自适应（Universal Domain Adaptation, UDA）则是DA的一种扩展，旨在处理目标标签集未知的情况。本文将深入探讨UDA的挑战，并介绍一种有效的解决方案——通用适应网络（Universal Adaptation Network, UAN）。

2. 更实用的UDA设置

UDA的关键在于处理未知的目标标签集。传统的方法通常假设源标签集和目标标签集是相同的（封闭集DA），或者假设目标标签集是源标签集的子集（部分DA），或者是超集（开放集DA）。然而，这些假设在实际应用中往往是不成立的。UDA放松了这些假设，提出了一种对源标签集和目标标签集之间的关系没有限制的设置。UDA不仅适用于封闭集、部分集和开放集DA，还能处理目标标签集未知的情况。

2.1 UDA的优势

UDA的优势在于其灵活性和实用性。它不需要事先知道目标标签集的结构࿰