一种基于均值子空间计算与递归反馈的多阶段框架用于在线无监督域适应
机器学习
2022-07-04 v1 计算机视觉与模式识别
图像与视频处理
摘要
本文研究在线无监督域适应（OUDA）问题，并提出一种新颖的多阶段框架，以解决目标数据无标签且以批次形式在线顺序到达时的实际场景。为将源域和目标域数据投影到公共子空间并实时处理投影数据，我们提出的框架提出了一种称为均值子空间增量计算（ICMS）技术的新方法，该方法在 Grassmann 流形上计算均值目标子空间的近似，并被证明是 Karcher 均值的紧密近似。此外，从均值目标子空间计算的变换矩阵被应用于递归反馈阶段的下一个目标数据，使目标数据更靠近源域。变换矩阵的计算与下一目标子空间的预测通过考虑 Grassmann 流形上目标子空间流动的累积时间依赖性，提升了递归反馈阶段的性能。变换后目标数据的标签由预训练的源分类器预测，随后分类器由变换后的数据与预测标签更新。我们在六个数据集上进行了大量实验，深入探究所提框架各阶段的作用与贡献，及其在分类准确率和计算速度上相对于先前方法的性能。此外，基于传统流形学习模型与基于神经网络的学习模型的实验证明了我们所提框架对各种类型学习模型的适用性。
引用
@article{arxiv.2207.00003,
title = {A Multi-stage Framework with Mean Subspace Computation and Recursive Feedback for Online Unsupervised Domain Adaptation},
author = {Jihoon Moon and Debasmit Das and C. S. George Lee},
journal= {arXiv preprint arXiv:2207.00003},
year = {2022}
}