CLDA：面向半监督域适应的对比学习
计算机视觉与模式识别
2021-11-11 v2
摘要
无监督域适应（UDA）旨在将带标签的源域分布与无标签的目标域分布对齐，以获得域不变预测模型。然而，知名 UDA 方法在半监督域适应（SSDA）场景中的应用泛化性不佳，此时目标域仅有少量带标签样本可用。本文提出一种简单的面向半监督域适应的对比学习框架（CLDA），试图在 SSDA 中弥合带标签与无标签目标分布之间的域内差距，以及源域与无标签目标分布之间的域间差距。我们建议采用按类的对比学习来缩小域间差距，并在原始（输入图像）与强增强的无标签目标图像之间进行实例级对比对齐，以最小化域内差异。我们通过实验证明这两个模块相互补充，从而实现更优性能。在 DomainNet、Office-Home 和 Office31 三个知名域适应基准数据集上的实验证明了我们方法的有效性。CLDA 在上述所有数据集上均取得了最先进（state-of-the-art）的结果。
引用
@article{arxiv.2107.00085,
title = {CLDA: Contrastive Learning for Semi-Supervised Domain Adaptation},
author = {Ankit Singh},
journal= {arXiv preprint arXiv:2107.00085},
year = {2021}
}
备注
NeurIPS 2021