我所一篇关于无监督域自适应的研究被国际权威多媒体期刊IEEE TMM接收

发布时间：2026年3月23日

       由我所师生与浙江大学合作完成的一篇论文Let Confidence Speak: Combining Small and Large Models via Pseudo Labeling for Unsupervised Domain Adaptation被国际权威多媒体期刊IEEE Transactions on Multimedia（TMM）接收，该论文由硕士生杨蕙绮、硕士生疏莹、林友芳老师、吕凯老师和浙江大学范鹤鹤老师共同合作完成。

      无监督域自适应旨在解决模型在不同数据分布之间的迁移问题，是计算机视觉与多媒体分析领域的重要研究方向。针对现有方法中，小模型计算效率高但难以应对域偏移、大规模预训练模型具备较强泛化能力但计算开销较大的问题，研究团队系统分析了两类模型的优势互补关系，提出了一种基于置信度引导的伪标签方法（Confidence-Guided Pseudo Labeling, CGPL）。该方法通过融合小模型与大模型的预测结果，在无需对大模型进行额外微调的前提下，实现了性能与效率的有效平衡。实验结果表明，该方法在多个无监督域自适应基准数据集上均取得了优于现有方法的性能表现，在保证计算效率的同时实现了更强的跨域泛化能力。