实现标记目标样本价值的两阶段半监督域自适应方法（英文版）

英文标题：Towards Realizing the Value of Labeled Target Samples: a Two-Stage Approach for Semi-Supervised Domain Adaptation中文摘要：本文的研究重点是如何在具有标记源样本和一些标记目标样本的情况下通过将 SSDA 分解为 UDA 问题和半监督学习问题来更有效地利用目标样本，在其上提出了一种基于一致性学习的平均教师模型的方法，并表明此方法的效果优于现有方法。英文摘要：Semi-Supervised Domain Adaptation (SSDA) is a recently emerging researchtopic that extends from the widely-investigated Unsupervised Domain Adaptation(UDA) by further having a few target samples labeled, i.e., the model istrained with labeled source samples,