一种平衡且不确定性感知的部分域自适应方法
计算机视觉与模式识别
2020-07-17 v2 机器学习
摘要
本文研究无监督域自适应问题，尤其是目标域类标签仅为源域类标签子集的情形。此类部分迁移设定现实却具挑战性，现有方法始终受两个关键问题困扰：负迁移与不确定性传播。在本文中，我们基于域对抗学习提出一种新颖域自适应方法 BAUS，包含两项分别称为平衡对抗对齐（BAA）与自适应不确定性抑制（AUS）的新技术。一方面，负迁移导致目标样本被误分类至仅存在于源域的类。为解决此问题，BAA 以相当简单的方式追求跨域标签分布的平衡。具体而言，它在域对齐期间随机利用少量源样本扩充较小的目标域，从而使不同域中的类对称。另一方面，若某源样本存在具有相对较高预测分数的错误类，则其被记为不确定，且此类不确定性在对齐期间易传播至其周围的未标记目标数据，严重恶化自适应性能。因此我们提出 AUS，其强调不确定样本并利用自适应加权补熵目标鼓励错误类具有均匀且低的预测分数。在多个基准上的实验结果表明，我们的 BAUS 在部分域自适应任务上超越 SOTA 方法。代码见 \url{https://github.com/tim-learn/BA3US}。
引用
@article{arxiv.2003.02541,
title = {A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation},
author = {Jian Liang and Yunbo Wang and Dapeng Hu and Ran He and Jiashi Feng},
journal= {arXiv preprint arXiv:2003.02541},
year = {2020}
}
备注
Accepted to ECCV 2020