基于实例加权的无监督域适应统一框架
计算机视觉与模式识别
2023-12-11 v1
摘要
尽管域适应已取得进展，但在域间标签偏移导致的复杂条件下，使用通用方法解决无监督域适应(UDA)问题仍然是一项艰巨的任务。在这项工作中，我们全面研究了四种不同的 UDA 设置，包括闭集域适应、部分域适应、开集域适应和通用域适应，其中源域与目标域之间共享的公共类与域特有的私有类并存。不同 UDA 设置中固有的主要挑战集中在公共/私有类的区分与域差异的精确度量上。为了有效克服这些挑战，我们提出了一种新颖且有效的方法，称为用于无监督域适应的实例权重学习(LIWUDA)，该方法适用于各种 UDA 设置。具体而言，所提出的 LIWUDA 方法构建了一个权重网络，基于每个实例属于公共类的概率为其分配权重，并设计了加权最优传输(WOT)，通过利用实例权重进行域对齐。此外，所提出的 LIWUDA 方法设计了分离与对齐(SA)损失，以分离低相似度的实例并对齐高相似度的实例。为了指导权重网络的学习，提出了域内最优传输(IOT)，以强制公共类中实例的权重遵循均匀分布。通过整合这三个组件，所提出的 LIWUDA 方法展示了以统一方式解决所有四种 UDA 设置的能力。在三个基准数据集上进行的实验评估证实了所提出的 LIWUDA 方法的有效性。
引用
@article{arxiv.2312.05024,
title = {A Unified Framework for Unsupervised Domain Adaptation based on Instance Weighting},
author = {Jinjing Zhu and Feiyang Ye and Qiao Xiao and Pengxin Guo and Yu Zhang and Qiang Yang},
journal= {arXiv preprint arXiv:2312.05024},
year = {2023}
}