面向一次性无监督域适应的对抗式风格挖掘
计算机视觉与模式识别
2020-04-14 v1 机器学习
图像与视频处理
摘要
我们关注名为一次性无监督域适应的问题。与传统无监督域适应不同，它假设在学习适应时仅有一个无标签目标样本可用。该设定现实但更具挑战性，由于无标签目标数据稀缺，常规适应方法易失败。为此，我们提出一种新颖的对抗式风格挖掘方法，将风格迁移模块与任务特定模块以对抗方式结合。具体而言，风格迁移模块根据当前学习状态在一次性目标样本周围迭代搜索更困难的风格化图像，引导任务模型探索在几乎未见的目标域中难以求解的潜在风格，从而在数据稀缺场景下提升适应性能。对抗学习框架使风格迁移模块与任务特定模块在竞争中互利。在跨域分类与分割基准上的大量实验验证了 ASM 在挑战性的一次性设定下达到了最先进的适应性能。
引用
@article{arxiv.2004.06042,
title = {Adversarial Style Mining for One-Shot Unsupervised Domain Adaptation},
author = {Yawei Luo and Ping Liu and Tao Guan and Junqing Yu and Yi Yang},
journal= {arXiv preprint arXiv:2004.06042},
year = {2020}
}
备注
Preprint