面向多目标域自适应的课程图协同教学
计算机视觉与模式识别
2021-04-05 v1
摘要
本文研究多目标域自适应（MTDA），给定一个有标注的源数据集和多个数据分布不同的无标注目标数据集，任务是为所有目标域学习一个鲁棒的预测器。我们确定了两个有助于缓解 MTDA 中多重域偏移的关键方面：特征聚合与课程学习。为此，我们提出课程图协同教学（CGCT），其使用双分类器头，其中一个为图卷积网络（GCN），用于聚合跨域相似样本的特征。为防止分类器在其自身带噪伪标签上过拟合，我们开发了双分类器头的协同教学策略，并辅以课程学习以获得更可靠的伪标签。此外，当域标签可用时，我们提出域感知课程学习（DCL），一种先对较容易的目标域进行自适应、再对较难目标域进行自适应的顺序自适应策略。我们在多个基准上通过实验证明了所提框架的有效性，并以较大幅度推进了 MTDA 的最优性能（例如在 DomainNet 上提升 5.6%）。
引用
@article{arxiv.2104.00808,
title = {Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation},
author = {Subhankar Roy and Evgeny Krivosheev and Zhun Zhong and Nicu Sebe and Elisa Ricci},
journal= {arXiv preprint arXiv:2104.00808},
year = {2021}
}
备注
CVPR 2021