单源深度无监督视觉域适应综述
计算机视觉与模式识别
2020-09-22 v3 机器学习
图像与视频处理
摘要
大规模带标签训练数据集已使深度神经网络在广泛的基准视觉任务中表现出色。然而，在许多应用中，获取大量带标签数据极其昂贵且耗时。为应对有限的带标签训练数据，许多人尝试将在大规模带标签源域上训练的模型直接应用于另一个稀疏带标签或无标签的目标域。遗憾的是，由于域偏移或数据集偏差的存在，跨域直接迁移往往表现不佳。域适应是一种机器学习范式，旨在从源域学习一个能在不同（但相关）目标域上表现良好的模型。本文综述了专注于视觉任务的最新单源深度无监督域适应方法，并讨论了未来研究的新视角。我们首先给出不同域适应策略的定义以及现有基准数据集的描述。随后我们总结并比较了不同类别的单源无监督域适应方法，包括基于差异的方法、对抗判别方法、对抗生成方法以及基于自监督的方法。最后，我们讨论了未来的研究方向、挑战与可能的解决方案。
引用
@article{arxiv.2009.00155,
title = {A Review of Single-Source Deep Unsupervised Visual Domain Adaptation},
author = {Sicheng Zhao and Xiangyu Yue and Shanghang Zhang and Bo Li and Han Zhao and Bichen Wu and Ravi Krishna and Joseph E. Gonzalez and Alberto L. Sangiovanni-Vincentelli and Sanjit A. Seshia and Kurt Keutzer},
journal= {arXiv preprint arXiv:2009.00155},
year = {2020}
}