基于标签漂移校准的对比条件对齐用于不平衡域适应
计算机视觉与模式识别
2024-12-31 v1
摘要
许多现有的无监督域适应（UDA）方法主要关注协变量漂移，限制了其在存在协变量漂移和标签漂移共存的不平衡域适应（IDA）中的有效性。近期的 IDA 方法基于目标伪标签的自训练已取得令人鼓舞的成果。然而，在 IDA 场景下，源域中学习的分类器将表现出与目标域不同的决策偏差。这可能导致目标伪标签不可靠，进而导致错误积累和错误的类别对齐。因此，我们提出一种基于标签漂移校准的对比条件对齐方法（CCA-LSC），以解决协变量漂移和标签漂移。首先，我们的对比条件对齐解决协变量漂移，以学习具有域不变性和类别可辨性的表征，包括域对抗学习、加权移动平均质心对齐和判别特征对齐。随后，我们估计目标域的概率分布，并基于标签漂移度量对目标样本的分类预测进行校准，以鼓励标签伪标签更一致地与真实目标数据的分布相匹配。我们在包含标签漂移和协变量漂移的基准测试上进行了大量实验，证明了该方法优于现有的 UDA 和 IDA 方法。我们的代码可在 https://github.com/ysxcj-hub/CCA-LSC 获取。
引用
@article{arxiv.2412.20337,
title = {Contrastive Conditional Alignment based on Label Shift Calibration for Imbalanced Domain Adaptation},
author = {Xiaona Sun and Zhenyu Wu and Zhiqiang Zhan and Yang Ji},
journal= {arXiv preprint arXiv:2412.20337},
year = {2024}
}
备注
accepted by ICPR 2024