基于聚类不确定性加权嵌入的主动域适应
计算机视觉与模式识别
2021-10-12 v3 机器学习
摘要
将深度神经网络推广到新的目标域对其实际效用至关重要。在实践中，获取部分目标数据标注是可行的，但为降低成本，希望通过主动学习（AL）选取信息量最大的子集。我们研究域偏移下的AL问题，称为主动域适应（Active DA）。我们展示了仅基于模型不确定性或多样性采样的现有AL方法对Active DA效果较差。我们提出聚类不确定性加权嵌入（CLUE），一种用于Active DA的新型标注获取策略，其执行不确定性加权聚类，以识别模型中不确定且在特征空间中多样的目标实例进行标注。在6个不同域偏移的图像分类学习设置中，CLUE持续优于其他竞争的Active DA与AL标注获取策略。
引用
@article{arxiv.2010.08666,
title = {Active Domain Adaptation via Clustering Uncertainty-weighted Embeddings},
author = {Viraj Prabhu and Arjun Chandrasekaran and Kate Saenko and Judy Hoffman},
journal= {arXiv preprint arXiv:2010.08666},
year = {2021}
}
备注
Published at ICCV 2021. Our code is available at https://github.com/virajprabhu/CLUE