基于对抗一致性学习的 PlantCLEF 2020 挑战赛部分域自适应方法
计算机视觉与模式识别
2020-09-22 v1
摘要
域自适应是缓解域偏移问题的关键技术之一，该问题存在于将知识从标注丰富的源域迁移到标注很少或无标注的目标域时。部分域自适应针对目标类别仅为源类别子集的场景。本文为实现跨域植物图像的高效表示，首先从预训练模型中提取深度特征，随后在统一深度架构中开发用于部分域自适应的对抗一致性学习（）。其由源域分类损失、对抗学习损失和特征一致性损失组成。对抗学习损失可保持源域与目标域间的域不变特征。此外，特征一致性损失能保留两域间的细粒度特征过渡。我们还通过降低源域中无关类别的权重来发现两域的共享类别。实验结果表明，采用 NASNetLarge 模型提取训练特征并结合所提 架构，在 PlantCLEF 2020 挑战赛上取得了有前景的结果。
引用
@article{arxiv.2009.09289,
title = {Adversarial Consistent Learning on Partial Domain Adaptation of PlantCLEF 2020 Challenge},
author = {Youshan Zhang and Brian D. Davison},
journal= {arXiv preprint arXiv:2009.09289},
year = {2020}
}