作为迁移学习的一个分支，无监督域适应旨在将从有标签的源域中学习到的信息迁移到无标签的目标域中。现有适应方法中主要分别从样本数据的图像、特征以及任务等不同视角实现目标域的预测任务。然而现有基于单一视角的无监督域适应网络往往存在盲目自信且难以自查的缺陷，由于难以转换的样本很难同时被两个网络同时正确识别，我们提出了一个包含两个不同视角的预测网络的统一模型和一种用于不同网络间相互约束的新的伪标签获取机制。此外，由于目标域样本类间差异小，我们还提出了一种辅助一致性损失。并验证了该方法相比于单一视角的有效性。通过深度学习模型，我们能够从不同视角学习源域数据的信息并应用到目标域的分类识别网络模型中，并通过不同视角网络的相互约束进行网络自查进一步提升整个网络模型的分类性能。大量实验表明，该系统相较于单一视角的无监督域适应方法具有较好的性能。以公共数据集中的数字识别为例，在SVHN->MNIST的域适应任务中，我们的识别准确率相较于单视角的识别准确率96.5%，我们的识别准确率为99.12%。我们的实验也证明了不同视角的域适应方法在我们提出的统一网络模型中实现时，他们之间几乎不存在干扰。

本研究由西安交通大学在本项目支持下完成，相关工作拟投稿到CVPR2021上。