基于域内双重重建的跨域伪装目标检测方法InDReCT研究

本文创新性提出主动源自由开放集域适应（ASFODA）框架，通过局部多样性标注（LDA）和局部一致性学习（LCL）组成的多样化结构学习（DSL）方法，在无源数据条件下实现跨域K+1类样本识别，实验显示对新型类别检测准确率提升超15%。

　　

Highlight

本研究突破传统源自由开放集域适应（SFODA）仅标记"未知类"的局限，开创性提出主动SFODA（ASFODA）框架，通过标注兼具异常不确定性和多样性的关键样本，实现新型疾病（如COVID-19和H1N1）的精准识别与分类。

Method

采用多样化结构学习（DSL）双模块：1）局部多样性标注（LDA）挖掘特征空间高密度区样本，2）局部一致性学习（LCL）构建跨簇互联样本，有效解决新型类别簇分散难题。实验显示在Office-Home数据集跨域任务中，对新型类别识别准确率提升15%+。

Experiments

在Office-Home（4域65类）、VisDA-2017（仿真-真实12类）和Office-31（3域31类）三大基准测试中，DSL方法显著优于现有主动学习策略。特别在医疗跨域场景，对COVID-19等新型病原体的早期识别准确率提升18.7%。

Future research directions

未来将拓展至多模态预适应领域，如身份认证系统（^32-36），通过主动样本选择解决训练数据稀缺问题，为突发传染病快速诊断提供新思路。

Conclusion

ASFODA框架突破传统需要预设类别数的限制，通过智能样本标注实现无源数据条件下的开放集识别，为智慧医疗和电子商务等场景的新型类别发现提供普适性解决方案。