基于置信度的视觉分散少样本无监督域自适应方法
计算机视觉与模式识别
2023-10-02 v2
摘要
无监督域自适应旨在将知识从完全标注的源域迁移至未标注的目标域。然而在真实场景中，即便在源域提供大量标注数据也因标注困难与高成本而不可行。为解决此问题，近期工作考虑少样本无监督域自适应（FUDA），即仅少量源样本被标注，并通过自监督学习方法进行知识迁移。但现有方法普遍忽视稀疏标注设定阻碍学习可靠的源知识以供迁移，且目标样本的学习难度差异不同却被忽略，导致困难目标样本分类不佳。为应对这两点不足，本文提出一种面向FUDA的基于置信度的视觉分散迁移学习方法（C-VisDiT）。具体而言，C-VisDiT由跨域视觉分散策略（仅迁移高置信度源知识用于模型自适应）与域内视觉分散策略（以简单目标样本引导困难目标样本学习）组成。我们在Office-31、Office-Home、VisDA-C与DomainNet基准数据集上开展大量实验，结果表明所提C-VisDiT显著优于最先进的FUDA方法。我们的代码见 https://github.com/Bostoncake/C-VisDiT。
引用
@article{arxiv.2309.15575,
title = {Confidence-based Visual Dispersal for Few-shot Unsupervised Domain Adaptation},
author = {Yizhe Xiong and Hui Chen and Zijia Lin and Sicheng Zhao and Guiguang Ding},
journal= {arXiv preprint arXiv:2309.15575},
year = {2023}
}
备注
Accepted as ICCV 2023 poster (https://openaccess.thecvf.com/content/ICCV2023/html/Xiong_Confidence-based_Visual_Dispersal_for_Few-shot_Unsupervised_Domain_Adaptation_ICCV_2023_paper.html)