Con$^{2}$DA：通过一致性及对比性特征表示学习简化半监督域适应
机器学习
2023-08-14 v2 计算机视觉与模式识别
摘要
在本工作中，我们提出 ConDA，一个将近期半监督学习进展推广至半监督域适应（SSDA）问题的简单框架。我们的框架通过对给定输入执行随机数据变换来生成关联样本对。关联数据对被映射至使用特征提取器得到的特征表示空间。我们采用不同的损失函数来强制关联数据样本对的特征表示之间的一致性。我们表明这些学习到的表示有助于处理域适应问题中数据分布的差异。我们进行了实验以研究模型的主要组件，并表明 (i) 一致且对比的特征表示的学习对于跨不同域提取良好判别性特征至关重要，以及 (ii) 我们的模型受益于强增强策略的使用。基于这些发现，我们的方法在三个 SSDA 基准数据集上取得了最先进的性能。
引用
@article{arxiv.2204.01558,
title = {Con$^{2}$DA: Simplifying Semi-supervised Domain Adaptation by Learning Consistent and Contrastive Feature Representations},
author = {Manuel Pérez-Carrasco and Pavlos Protopapas and Guillermo Cabrera-Vives},
journal= {arXiv preprint arXiv:2204.01558},
year = {2023}
}
备注
Accepted to NeurIPS 2021 Workshop on Distribution Shifts: Connecting Methods and Applications