BP-Triplet Net 用于无监督域适应：一种贝叶斯视角
计算机视觉与模式识别
2022-02-22 v1
摘要
三元组损失是深度度量学习（DML）方法之一，旨在学习这样的嵌入：同类样本比不同类样本距离更近。受 DML 启发，我们从贝叶斯学习的角度提出了一种有效的 BP-Triplet 损失用于无监督域适应（UDA），并将该模型命名为 BP-Triplet Net。在以往基于度量学习的 UDA 方法中，跨域样本对被同等对待，由于域偏差的存在，这是不恰当的。在我们的工作中，考虑到成对样本对于特征学习和域对齐的不同重要性，我们从贝叶斯学习的角度推导出了用于有效 UDA 的 BP-Triplet 损失。我们的 BP-Triplet 损失调整了域内和域间成对样本的权重。特别地，它能够自适应地关注困难样本对（包括困难正样本对和困难负样本对）。结合常用的用于域对齐的对抗损失，目标伪标签的质量逐步提升。我们的方法实现了理想源假设与目标假设的低联合误差。依据 Ben-David 定理，期望目标误差可由此给出上界。在五个基准数据集（手写数字、Office31、ImageCLEF-DA、Office-Home 和 VisDA-2017）上的综合评估证明了所提 UDA 方法的有效性。
引用
@article{arxiv.2202.09541,
title = {BP-Triplet Net for Unsupervised Domain Adaptation: A Bayesian Perspective},
author = {Shanshan Wang and Lei Zhang and Pichao Wang},
journal= {arXiv preprint arXiv:2202.09541},
year = {2022}
}