为了提升深度学习模型在新数据集上的泛化性时减少对标签的依赖。我们设计了一种从粗到细的特征对齐方法用于提升不同数据集之间的数据分布一致性,其结合熵最小化算法,在不利用目标域标签训练的情况下,就可以更好地泛化到其他数据集。笔者首先分别验证我们设计的全局特征对齐和类别特征对齐算法的有效性,随后将两种特征对齐算法结合,形成本文最后的粗到细特征对齐算法。主要工作如下:1.验证熵最小化领域自适应模型。出于熵最小化算法[1]性能前沿、效果稳定的优点,本文将其作为基准对比算法。并在其上叠加改进的特征对齐算法,从而在拉近的特征分布上进一步增大判别间隔,达到适应的最优性能。在原有数据集上重新训练的熵最小化算法达到与原论文一致的迁移性能,我们将其作为改进算法比较的基础。2.提出基于辅助域的风格迁移全局特征对齐算法改进最小熵算法。设计了迁移至辅助域的特征对齐算法。本算法简洁轻便、能明显拉近迁移后的风格、并克服了现有方法中类别拉近不足的问题。经过实验验证,迁移到辅助域的算法相比迁移到目标域的算法,能达到更好的迁移效果和模型性能;本算法对不同大小的图像均体现出了适应性;最优情况下,在迁移到辅助域的数据上训练,能相比基准模型[1]在平均交并比上提升2.6。3.提出基于对比学习的类别特征对齐算法改进最小熵算法。设计了一种基于原型的有监督对比学习领域自适应算法,对类别级特征进行分布对齐。主要创新包括:交叉对比损失增进同类特征的拉近效果;独特的分割特征原型和更新方式实现内存的释放和计算复杂度的降低等。实验结果验证了:本算法在给定参数范围内的鲁棒性;全交叉对比损失的有效性;优化中交叉熵和最小熵损失的进一步降低以及伪标签准确率的提升,说明对比损失在特征聚类上的显著作用;最终,本算法在平均交并比上相比熵最小化[1]方法提升了 3.6。4.提出基于对比风格迁移的由粗到细特征对齐算法对最小熵算法进行改进。本文将设计的风格迁移算法和对比学习算法进行融合。实现从粗到细的多层次特征对齐方式,从而相比之前有更好地特征拉近效果。实验结果表明,本算法相比熵最小化方法算法将目标域的平均交并比进一步提升了 4.0。