吸引、扰动与探索：面向半监督域适应的特征对齐网络学习
计算机视觉与模式识别
2020-07-21 v1
摘要
尽管无监督域适应方法已在多个计算机视觉任务中被广泛采用，但在实际应用中若能利用来自新领域的少量标注数据则更为可取。半监督域适应（SSDA）这一新颖设定同时面临域适应问题与半监督学习问题的挑战。然而，近期研究表明，传统的域适应与半监督学习方法在 SSDA 问题中常导致效果较弱或负迁移。为解释该现象并解决 SSDA 问题，本文提出了目标域内的域内差异问题，该问题此前从未被讨论过。接着我们证明，解决域内差异即可达成 SSDA 问题的最终目标。我们提出了一种旨在通过缓解域内差异来对齐特征的 SSDA 框架。该框架主要由三种策略组成，即吸引、扰动与探索。首先，吸引策略在目标域内全局最小化域内差异。其次，我们展示了传统对抗扰动方法与 SSDA 的不兼容性。随后，我们提出一种域自适应对抗扰动策略，其以减小域内差异的方式扰动给定的目标样本。最后，探索策略以类级别方式局部对齐特征，作为吸引策略的补充，并通过选择性对齐与扰动策略互补的未标注目标特征来实现。我们在 DomainNet、Office-Home 和 Office 等域适应基准数据集上进行了大量实验。我们的方法在所有数据集上均取得了最先进的性能。
引用
@article{arxiv.2007.09375,
title = {Attract, Perturb, and Explore: Learning a Feature Alignment Network for Semi-supervised Domain Adaptation},
author = {Taekyung Kim and Changick Kim},
journal= {arXiv preprint arXiv:2007.09375},
year = {2020}
}
备注
Accepted at ECCV 2020