基于关键语义分类器的对抗学习用于无监督域适应
计算机视觉与模式识别
2023-02-06 v1
摘要
无监督域适应（UDA）旨在将可迁移特征从标注良好的源域迁移至相关的无标注目标域，已取得广泛进展。然而，作为主流方法之一，现有基于对抗的方法忽视过滤无关语义知识，阻碍了适应性能提升。此外，它们需要额外的域判别器迫使提取器生成混淆表示，但离散设计可能导致模型崩溃。为解决上述问题，我们提出基于关键语义分类器的对抗学习（CSCAL），其更关注关键语义知识迁移，并利用分类器隐式扮演域判别器角色而无需额外网络设计。具体而言，在类内对齐中，设计配对级差异（PLD）以迁移关键语义知识。另外，基于分类器预测，形成基于核范数的差异（NND），其考虑类间信息并提升适应性能。而且，CSCAL 可作为正则器轻松融入不同 UDA 方法并大幅促进其性能。
引用
@article{arxiv.2302.01708,
title = {Crucial Semantic Classifier-based Adversarial Learning for Unsupervised Domain Adaptation},
author = {Yumin Zhang and Yajun Gao and Hongliu Li and Ating Yin and Duzhen Zhang and Xiuyi Chen},
journal= {arXiv preprint arXiv:2302.01708},
year = {2023}
}