面向无监督无源域适应的并发辅助监督
计算机视觉与模式识别
2022-07-28 v1 机器学习
摘要
无监督域适应（DA）的主要挑战是缓解源域和目标域之间的域偏移。先前的DA工作表明， pretext任务可用于通过学习域不变表示来缓解这种域偏移。然而，在实践中，我们发现大多数现有的pretext任务相对于其他既有技术效果不佳。因此，我们从理论上分析了辅助pretext任务在何时以及如何被用于协助给定DA问题的目标任务，并建立了客观的辅助任务适用性准则。基于该准则，我们设计了一种新颖的贴纸干预过程，并将贴纸分类作为一个与目标无监督DA任务并发的监督辅助DA问题。我们的方法不仅提升了目标任务的适应性能，还促进了面向隐私的无源DA，即无需源-目标并发访问。在标准的Office-31、Office-Home、DomainNet和VisDA基准上的实验证明了我们在单源和多源无源DA上的优越性。我们的方法也补充了现有的非无源工作，取得了领先性能。
引用
@article{arxiv.2207.13247,
title = {Concurrent Subsidiary Supervision for Unsupervised Source-Free Domain Adaptation},
author = {Jogendra Nath Kundu and Suvaansh Bhambri and Akshay Kulkarni and Hiran Sarkar and Varun Jampani and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:2207.13247},
year = {2022}
}
备注
ECCV 2022. Project page: https://sites.google.com/view/sticker-sfda