CDA：对比-对抗域适应
计算机视觉与模式识别
2023-01-11 v1
摘要
域适应的最新进展表明，深度神经网络上的对抗学习可学习域不变特征以减小源域与目标域之间的偏移。虽然此类对抗方法实现了域级对齐，却忽略了类（标签）偏移。当源域与目标域间类条件数据分布显著不同时，会在类边界附近产生更易被误分类的模糊特征。本工作中，我们提出一种称为 \textbf{C}ontrastive-adversarial \textbf{D}omain \textbf{A}daptation \textbf{(CDA)} 的两阶段域适应模型。对抗组件促进域级对齐，而两阶段对比学习利用类信息实现跨域更高的类内紧致性，从而形成分离良好的决策边界。此外，所提出的对比框架被设计为即插即用模块，可轻松嵌入现有对抗域适应方法中。我们在两个广泛使用的域适应基准数据集 \textit{Office-31} 和 \textit{Digits-5} 上开展实验，证明 CDA 在两个数据集上均取得了 SOTA 结果。
引用
@article{arxiv.2301.03826,
title = {CDA: Contrastive-adversarial Domain Adaptation},
author = {Nishant Yadav and Mahbubul Alam and Ahmed Farahat and Dipanjan Ghosh and Chetan Gupta and Auroop R. Ganguly},
journal= {arXiv preprint arXiv:2301.03826},
year = {2023}
}