类别不平衡域适应：一次实证探索
机器学习
2020-09-22 v2 计算机视觉与模式识别
机器学习
摘要
无监督域适应是将深度模型推广到新颖域的一种有前景的方法。然而，现有文献假设标签分布是域不变的，仅对齐特征分布，或反之。在本工作中，我们探索更实际的任务——类别不平衡域适应：当两个域的标签分布也不同之时，如何跨域对齐特征分布？为切实推进此问题，我们构建了首个由来自 6 个真实图像数据集的 22 个跨域任务构成的基准。我们对 10 种近期域适应方法进行了全面实验，发现其中大多数在特征与标签分布偏移共存面前十分脆弱。为寻求更好方案，我们进一步提出了一种特征与标签分布协同对齐（COAL）模型，以新颖方式组合已有思想。实证表明 COAL 在我们的基准上优于最新的域适应方法。我们相信所提供的基准、实证分析结果及 COAL 基线能够激励并促进未来针对这一重要问题的研究。
引用
@article{arxiv.1910.10320,
title = {Class-imbalanced Domain Adaptation: An Empirical Odyssey},
author = {Shuhan Tan and Xingchao Peng and Kate Saenko},
journal= {arXiv preprint arXiv:1910.10320},
year = {2020}
}
备注
ECCV 2020 Workshops - TASK-CV 2020