近日，我校颜成钢教授团队以杭州电子科技大学为第一单位发表的论文《Deep Joint Semantic Adaptation Network for Multi-source Unsupervised Domain Adaptation》被模式识别与人工智能领域的国际顶级期刊《pattern Recognition》录用。

该项研究由杭州电子科技大学、浙江大学和杭州电子科技大学丽水研究院合作完成。该论文的第一作者为我校2021级博士研究生程志明，指导老师为我校研究员王帅和颜成钢教授，合作者还有浙江大学齐杰和肖芒。

多源无监督领域自适应（MUDA）旨在最小化多个标注完备的源域和目标域之间的域偏移，从而将多个源域学到的知识转移到无标签的目标域。最近关于MUDA的研究主要集中在将每对源域和目标域在不同特征空间进行分布对齐，以减少它们之间的域偏移。然而，这些方法存在两个主要缺点。首先，它们通常关注全局域偏移，缺乏对类别对应子域的联合分布差异的考虑。其次，远离样本中心的分布外“难”样本难以通过全局域对齐来拉近。因此，我们提出了一种新颖的用于MUDA的深度联合语义自适应网络（DJSAN）。具体而言，我们首先提出了一种新颖的基于最大均值差异（MMD）的度量方法，即联合语义最大均值差异（JSMMD），它可以统一优化多个任务特定层上的类别对应子域的跨域联合分布差异。此外，为了处理分布外的“难”样本，我们提出了一种跨域数据增强方法，称为源域目标域混合（STDMix），以增强模型的鲁棒性，该方法将源域和目标域按固定比例合成一个新域，并利用信息熵为目标域中的样本提供可靠的伪标签。在三个公共数据集（Office-31、Digits-five和Office-Home）上的实验结果表明，我们提出的方法分别在平均准确率上获得了0.3％、1.8％和2.7％的提升。

杭州电子科技大学“智能信息处理实验室”(HDU IIPLab)主任为颜成钢教授。实验室现有在职教师40余名，含5位国家级人才及多位省级人才，包括浙江省“钱江学者”特聘教授、浙江省杰出青年基金获得者、浙江省“151人才工程”第一层次、浙江省高校中青年学科带头人重点资助等多名国家及省部级人才。现有硕博生100余名，毕业生多就职于阿里巴巴、腾讯、字节跳动、海康威视、华为、网易等国内知名大公司。实验室采用与海内外知名高校、研究所(清华大学、北京大学、中国科学院、美国北卡罗来纳大学教堂山分校、澳大利亚悉尼科技大学等等)联合培养制，长期致力于智能信息处理方面的研究，主要研究方向包括：机器学习、模式识别、计算机视觉、计算机图形学、医学影像处理、生物信息学等。实验室为学校交叉创新团队，拥有自由开放的学术氛围和国际前沿的研究方向，可以在多个学院招生，包括但不限于通信、自动化、计算机、电子等学院。