基于课程学习的域自适应伪标签样本选择算法

针对域自适应网络在不同学习阶段对不同样本学习能力存在差异性问题,提出一种基于课程学习的域自适应伪标签样本选择算法。算法利用置信值将目标域数据集中的易学习样本转入源数据集,解决了模型前期学习能力不足可能造成的错误累积问题;同时通过模型的学习状态更新各类样本的伪标签阈值,得到无监督条件下难易学习样本类估计,输出可靠的置信值并减少噪声伪标签对模型学习的影响。提出的算法在三个主流无监督域自适应目标检测数据集上进行了仿真,仿真结果表明,上述算法相比最近提出的非对抗或增强的无监督域自适应方法在精确度上得到了有效提升。