AdaEmbed：嵌入空间中的半监督领域自适应
计算机视觉与模式识别
2024-01-24 v1 人工智能
摘要
半监督领域自适应（Semi-supervised domain adaptation, SSDA）是计算机视觉中的一个关键障碍，尤其是在现实世界环境中标注数据经常稀缺的情况下。这种稀缺性常常导致在广泛数据集上训练的基础模型在应用于新领域时表现不佳。我们新提出的SSDA方法AdaEmbed为这些挑战提供了一个有前景的解决方案。AdaEmbed利用未标注数据的潜力，通过学习一个共享的嵌入空间，促进知识从有标注的源领域迁移到未标注的目标领域。通过基于已建立的嵌入空间生成准确且均匀的伪标签，该模型克服了传统SSDA的局限性，从而显著提升了性能。我们的方法在DomainNet、Office-Home和VisDA-C等基准数据集上的大量实验验证了其有效性，AdaEmbed始终优于所有基线，为SSDA设定了新的最先进水平。凭借其简单的实现和高数据效率，AdaEmbed在标注数据稀缺的现实场景中脱颖而出，成为一种鲁棒且实用的解决方案。为了促进该领域的进一步研究和应用，我们正在共享我们用于半监督领域自适应的统一框架的代码库。
引用
@article{arxiv.2401.12421,
title = {AdaEmbed: Semi-supervised Domain Adaptation in the Embedding Space},
author = {Ali Mottaghi and Mohammad Abdullah Jamal and Serena Yeung and Omid Mohareri},
journal= {arXiv preprint arXiv:2401.12421},
year = {2024}
}