CA-UDA：基于最优分配与伪标签精炼的类感知无监督域适应
计算机视觉与模式识别
2022-05-31 v2
摘要
近期无监督域适应（UDA）的工作聚焦于选取良好的伪标签作为目标数据缺失标签的替代。然而，由于源域与目标域的共享网络通常用于伪标签选取，会恶化伪标签的源域偏置仍可能存在。次优的特征空间源到目标域对齐也会导致不尽如人意的表现。本文提出 CA-UDA，通过最优分配、伪标签精炼策略与类感知域对齐来提升伪标签质量及 UDA 结果。我们使用辅助网络缓解伪标签精炼中的源域偏置。我们的直觉是，目标域中的底层语义可被充分挖掘，以助于精炼那些在域偏移下由源特征推断出的伪标签。此外，我们的最优分配可最优对齐源到目标域的特征，而我们的类感知域对齐能在缩小域差距的同时保留分类决策边界。在多个基准数据集上的大量实验表明，我们的方法在图像分类任务中达到了最先进的性能。
引用
@article{arxiv.2205.13579,
title = {CA-UDA: Class-Aware Unsupervised Domain Adaptation with Optimal Assignment and Pseudo-Label Refinement},
author = {Can Zhang and Gim Hee Lee},
journal= {arXiv preprint arXiv:2205.13579},
year = {2022}
}