面向半监督域适应的矛盾结构学习
计算机视觉与模式识别
2021-02-16 v2
摘要
当前的对抗式适应方法试图对齐跨域特征，但仍有两个挑战尚未解决：1) 条件分布失配；2) 决策边界偏向源域。为解决这些挑战，我们提出一种通过统一对立结构学习（UODA）的半监督域适应新框架。UODA 由一个生成器和两个分类器（即源分散分类器和目标聚类分类器）组成，它们以相反目的进行训练。目标聚类分类器试图聚类目标特征，以提高类内密度并扩大类间差异。同时，源分散分类器被设计用于分散源特征，以增强决策边界的平滑性。通过源特征扩展与目标特征聚类过程的交替，目标特征被良好地封闭在相应源特征的扩张边界内。该策略能够使跨域特征同时针对源偏置被精确对齐。此外，为避免训练过程中的模型崩溃，我们通过对抗训练范式逐步更新特征距离及其表示的度量。在 DomainNet 和 Office-home 数据集基准上的大量实验证明了我们的方法优于最先进的（SOTA）方法。
引用
@article{arxiv.2002.02545,
title = {Contradictory Structure Learning for Semi-supervised Domain Adaptation},
author = {Can Qin and Lichen Wang and Qianqian Ma and Yu Yin and Huan Wang and Yun Fu},
journal= {arXiv preprint arXiv:2002.02545},
year = {2021}
}
备注
8 pages without citations