用于无监督域适应的跨域梯度差异最小化
计算机视觉与模式识别
2021-06-09 v1 人工智能
机器学习
多媒体
摘要
无监督域适应（UDA）旨在将自标注良好源域学到的知识泛化至无标注目标域。近来，带两个不同分类器（双分类器）的对抗域适应被引入 UDA，可有效对齐不同域间分布。先前双分类器对抗学习方法仅关注两不同分类器输出间的相似性。然而，输出的相似性无法保证目标样本准确性，即即便两分类器间差异小，目标样本也可能匹配至错误类别。为应对此问题，本文提出跨域梯度差异最小化（CGDM）方法，显式最小化由源样本与目标样本生成的梯度差异。具体而言，梯度给出目标样本语义信息的线索，故可用作提升目标样本准确性的良好监督。为计算目标样本梯度信号，我们进一步通过基于聚类的自监督学习获取目标伪标签。在三个广泛使用的 UDA 数据集上的大量实验表明，我们的方法超越许多先前最优方法。代码见于 https://github.com/lijin118/CGDM。
引用
@article{arxiv.2106.04151,
title = {Cross-Domain Gradient Discrepancy Minimization for Unsupervised Domain Adaptation},
author = {Zhekai Du and Jingjing Li and Hongzu Su and Lei Zhu and Ke Lu},
journal= {arXiv preprint arXiv:2106.04151},
year = {2021}
}
备注
Accepted to CVPR 2021, Codes are avaliable at https://github.com/lijin118/CGDM