面向少源标签域自适应的跨域自监督学习
计算机视觉与模式识别
2020-03-19 v1
摘要
现有的无监督域自适应方法旨在将知识从富标签源域迁移到无标签目标域。然而，对某些源域获取标签可能非常昂贵，使得先前工作中所用的完整标注不切实际。本工作中，我们研究一种新的域自适应场景，其源数据稀疏标注，即源域中仅少量样本被标注，而目标域无标签。我们表明，当标注源样本有限时，现有方法常无法学习对源域与目标域均适用的判别性特征。我们提出一种新颖的跨域自监督（CDS）学习方法用于域自适应，其学习的特征不仅域不变且具类别判别性。我们的自监督学习方法以域自适应方式通过域内自监督捕获表观视觉相似性，并通过跨域自监督执行跨域特征匹配。在三个标准基准数据集的广泛实验中，我们的方法在少源标签的新目标域上显著提升了目标准确率，甚至对经典域自适应场景亦有助益。
引用
@article{arxiv.2003.08264,
title = {Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels},
author = {Donghyun Kim and Kuniaki Saito and Tae-Hyun Oh and Bryan A. Plummer and Stan Sclaroff and Kate Saenko},
journal= {arXiv preprint arXiv:2003.08264},
year = {2020}
}