面向视觉识别的无监督域适应研究综述

尽管许多领域生成并提供了海量无标签数据，对视觉数据自动理解的需求比以往任何时候都更高。大多数现有机器学习模型通常依赖大量标注训练数据以实现高性能。遗憾的是，这一要求在现实应用中难以满足。标签数量有限，且人工标注数据昂贵且耗时。通常有必要将知识从已有标注域迁移到新域。然而，由于域间差异（域偏移或数据集偏差），模型性能会下降。为克服标注负担，域适应（Domain Adaptation, DA）旨在缓解将一个域的知识迁移到另一个相似但不同域时的域偏移问题。无监督域适应（Unsupervised DA, UDA）处理一个带标签的源域和一个无标签的目标域。UDA的主要目标是在训练过程中减小带标签源数据与无标签目标数据之间的域差异，并学习跨两个域的域不变表示。本文首先定义UDA问题。其次，我们从传统方法和基于深度学习的方法两方面概述了不同类别UDA的最先进方法。最后，我们收集了常用基准数据集，并报告了UDA在视觉识别问题上最先进方法的结果。