面向视觉任务无监督域自适应的类别对比方法
计算机视觉与模式识别
2022-03-18 v3
摘要
用于无监督表示学习的实例对比近年来取得了巨大成功。本文在无监督域自适应（UDA）中探索实例对比学习的思想，并提出一种新颖的类别对比技术（CaCo），在实例判别之上引入语义先验以用于视觉 UDA 任务。通过将实例对比学习视为字典查找操作，我们构建了一个语义感知字典，其样本来自源域和目标域，其中每个目标样本基于源样本的类别先验被赋予一个（伪）类别标签。这使得类别对比学习（在目标查询与类别级字典之间）能够学习到类别可判别且域不变的特征表示：同一类别的样本（来自源域或目标域）被拉近，而不同类别的样本被同时推远。在多个视觉任务（如分割、分类和检测）中的大量 UDA 实验表明，CaCo 相比最先进的方法取得了更优的性能。实验还表明，CaCo 与现有 UDA 方法是互补的，并可推广到其他学习设定，如非监督模型自适应、开放集/部分集自适应等。
引用
@article{arxiv.2106.02885,
title = {Category Contrast for Unsupervised Domain Adaptation in Visual Tasks},
author = {Jiaxing Huang and Dayan Guan and Aoran Xiao and Shijian Lu and Ling Shao},
journal= {arXiv preprint arXiv:2106.02885},
year = {2022}
}
备注
CVPR2022 version