AVATAR:面向目标域的对抗自监督域自适应网络
计算机视觉与模式识别
2023-05-09 v2
摘要
本文提出一种用于预测无标签目标域数据的无监督域自适应(UDA)方法,专门针对域间差异显著的复杂 UDA 任务。主流 UDA 模型旨在利用有标签源域数据从两域中学习并改善目标判别性。然而,当源域与目标域差异较大或目标域含离群点时,性能提升可能受限。为显式解决该问题,我们提出面向目标域的对抗自监督域自适应网络(AVATAR)算法。它通过深度聚类引导,并发地以域对抗学习、自监督学习和目标域样本选择策略降低域差异并增强判别性,从而优于最先进 UDA 模型。我们所提模型在三个 UDA 基准上显著超越最先进方法,大量消融研究与实验证明了我们的方法在处理复杂 UDA 任务上的有效性。
引用
@article{arxiv.2305.00082,
title = {AVATAR: Adversarial self-superVised domain Adaptation network for TARget domain},
author = {Jun Kataoka and Hyunsoo Yoon},
journal= {arXiv preprint arXiv:2305.00082},
year = {2023}
}