問題定義：分為兩個域，source和target，其中source和target的類別一致，source影象有標註資訊，target影象沒有標註資訊，如何得到一個target上的模型。
Transferrable Prototypical Networks for Unsupervised Domain Adaptation （CVPR19）
motivation：
領域自適應的關鍵是如何減小source和target的特徵的分歧。現有的方法直接align source和target的整體分佈，忽略了細粒度的domain gap。本文提出在類別和樣本的粒度上減小領域的分歧。
方法：
原型網路
利用source資料預訓練模型，得到source的每個類原型，對target的影象分配偽標籤。
根據target上分配的偽標籤，選擇預測分數大於某個閾值的target影象，形成source/target/source-target的類原型{us，ut，ust}。
最小化{us，ut，ust}的距離。（類別的細粒度）L1
最小化每個樣本根據{us，ut，ust}預測分數分佈的KL散度。（樣本細粒度） L2
整體的loss：L1 + L2 + source影象的分類loss
交替更新2-5步。
測試時，可以採用{us，ut，ust}任一種原型對target image進行分類
問題：
從實驗上來看減小類別的細粒度分歧更有效。
交替更新時，更新多少次？每次更新需要預測出所有target的影象類別，計算代價大。
