用于无监督域适应的跨域对比学习
计算机视觉与模式识别
2022-05-10 v2 人工智能
机器学习
摘要
无监督域适应（UDA）旨在将从一个完全标注的源域学到的知识迁移到一个不同的未标注目标域。大多数现有UDA方法通过最小化跨域特征距离来学习域不变特征表示。在这项工作中，我们基于对比自监督学习来对齐特征，从而减少训练集与测试集之间的域差异。利用两域共享的同一组类别，我们引入了一个简单而有效的框架CDCL，用于域对齐。具体而言，给定来自某一域的锚图像，我们最小化其与同一类别的跨域样本的距离，相对于其与不同类别样本的距离。由于目标标签不可用，我们使用基于聚类的方法并仔细初始化中心以生成伪标签。此外，我们证明CDCL是一个通用框架，只需最小修改即可适配无源数据设置，即训练期间源数据不可用。我们在两个广泛使用的域适应基准（即Office-31和VisDA-2017）上进行了图像分类任务实验，并证明CDCL在两个数据集上均取得了最先进的性能。
引用
@article{arxiv.2106.05528,
title = {Cross-domain Contrastive Learning for Unsupervised Domain Adaptation},
author = {Rui Wang and Zuxuan Wu and Zejia Weng and Jingjing Chen and Guo-Jun Qi and Yu-Gang Jiang},
journal= {arXiv preprint arXiv:2106.05528},
year = {2022}
}
备注
IEEE Transactions on Multimedia