超越已知：通过未知探索提升开放集域适应
计算机视觉与模式识别
2024-12-25 v1
摘要
卷积神经网络（CNN）可以直接从原始数据中学习，在各个研究领域实现卓越的性能。然而，来自不可控环境中的因素（如带有不同程度域和类别漂移的无标签数据集）会降低模型准确率。当上述问题同时发生时，就会出现开放集域适应（Open Set Domain Adaptation, OSDA）这一具有挑战性的问题。文献中已有的 OSDA 方法仅对已知类别进行对齐，或使用监督训练将未知类别学习为单个新类别。本文提出了一种新方法，通过提取一组高置信度的未知实例，将其作为硬约束来紧密分类边界。具体而言，我们使用一种在三种不同方式下评估的新损失约束：(1)直接使用原始负例；(2)使用数据增强技术创建随机变形的负例；(3)使用生成合成负例，包含对抗特征。我们分析了改进判别器和用于生成合成负例的生成对抗网络（GAN）训练的不同策略。我们在 OVANet 上进行了大规模实验和分析，使用三个广泛使用的公开基准数据集，即 Office-31、Office-Home 和 VisDA。我们能够以类似于其他最先进方法的 H 分数，同时提高对未知类别的准确率。
引用
@article{arxiv.2412.18105,
title = {Beyond the Known: Enhancing Open Set Domain Adaptation with Unknown Exploration},
author = {Lucas Fernando Alvarenga e Silva and Samuel Felipe dos Santos and Nicu Sebe and Jurandy Almeida},
journal= {arXiv preprint arXiv:2412.18105},
year = {2024}
}