引言

选题背景与意义

高质量的标注数据不足 → 迁移学习

迁移学习的主要目标是利用在源任务中获取的知识和经验，以提升在关联的目标任务上的性能。

域自适应问题（Domain Adaption,DA）是迁移学 习中一个被广泛关注的子领域。

如果目标域具有标签，那么微调预训练模型是一种可行的解决方法；本文专注于解决目标域没有标签的情况，这被称为无监督领域自适应 (Unsupervised Domain Adaption,UDA) 问题。目标是通 过具有丰富标签的源域数据和无标签的目标域数据来提升模型在目标域上的性能。

本文以图像分类问题为例，基于经典的对抗学习方法 DANN， 探究 Transformer 模型中的注意力机制在无监督领域自适应问题上的应用。

文献综述

无监督域自适应

注意力机制

文章结构

背景知识

迁移学习

领域自适应和域转移

特征对齐

对抗训练和 DANN 模型

图像分类模型

本章总结

基于注意力图对齐的无监督领域自适应方法

问题描述

注意力图与动机

注意力图

动机

模型结构

特征提取器和分类器

域鉴别器和注意力图鉴别器

损失函数

实验

数据集

评价指标与实验细节

实验结果

本章小结

基于注意力再作用的图像增强方法

问题描述和动机

问题描述

动机

算法实现

模型方法流程

损失函数

实验

实验细节

实验结果

本章小结

总结与展望