用于无监督域适应的对比邻域空间
计算机视觉与模式识别
2022-07-19 v3
摘要
近期的无监督域适应方法利用了源域与目标域之间的邻域空间。然而，标签均衡崩溃问题——即邻域实例的预测中源域标签主导目标域标签——从未被解决。本文提出一种实例级极小极大策略，通过最小化邻域空间中高不确定性实例的熵来解决所述问题。我们通过极小极大问题的解将邻域空间划分为两个子空间：对比空间与共识空间。在对比空间中，通过约束实例具有对比视图与标签来缓解域间差异；共识空间则减少域内类别间的混淆。我们的方法在包括 Office-31、Office-Home 和 VisDA-C 在内的公开基准上展示了有效性，取得了最先进的性能。我们进一步表明，我们的方法在 PACS 上优于当前最先进的方法，这表明我们的实例级方法同样适用于多源域适应。代码见 https://github.com/NaJaeMin92/CoVi。
引用
@article{arxiv.2111.13353,
title = {Contrastive Vicinal Space for Unsupervised Domain Adaptation},
author = {Jaemin Na and Dongyoon Han and Hyung Jin Chang and Wonjun Hwang},
journal= {arXiv preprint arXiv:2111.13353},
year = {2022}
}
备注
10 pages, 7 figures, 5 tables