用于无监督域适应的确信体积预测
计算机视觉与模式识别
2021-11-05 v1 机器学习
摘要
无监督域适应 (UDA) 处理的是在仅有不同源域的标注数据可用时，对未标记目标域数据进行分类的问题。遗憾的是，由于源数据与目标数据之间存在域差距，常用的分类方法无法充分完成此任务。在本文中，我们提出了一种新颖的感知不确定性的域适应设置，将不确定性建模为特征空间中的多元高斯分布。我们表明，我们提出的不确定性度量与其他常见的不确定性量化相关，并与平滑分类器的决策边界有关，从而提高了泛化能力。我们在具有挑战性的 UDA 数据集上评估了提出的流程，并取得了 SOTA 结果。我们方法的代码可在 https://gitlab.com/tringwald/cvp 获取。
引用
@article{arxiv.2111.02901,
title = {Certainty Volume Prediction for Unsupervised Domain Adaptation},
author = {Tobias Ringwald and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2111.02901},
year = {2021}
}