用于无监督域适应的循环标签一致网络
计算机视觉与模式识别
2022-05-30 v1
摘要
域适应的目标是利用有标注的源域学习一个分类器，用于分布不同的无标注目标域。先前的方法大多通过全局或类对齐来匹配两域分布。然而，全局对齐方法无法实现细粒度的类到类重叠；由伪标签监督的类对齐方法无法保证其可靠性。本文提出一种简单而高效的域适应方法，即循环标签一致网络（CLCN），利用分类标签的循环一致性，应用双重跨域最近质心分类过程为目标域的判别生成可靠的自监督信号。循环标签一致损失强化了源样本真值标签与伪标签之间的一致性，从而使源域和目标域之间具有统计相似的潜在表示。这一新损失可轻松添加到任何现有分类网络中，几乎无计算开销。我们在 MNIST-USPS-SVHN、Office-31、Office-Home 和 Image CLEF-DA 基准上证明了方法的有效性。结果验证了所提方法能减轻错误标注样本的负面影响并学习更具判别性的特征，在 Office-31 上相对仅源模型绝对提升 9.4%，在 Image CLEF-DA 上绝对提升 6.3%。
引用
@article{arxiv.2205.13957,
title = {Cycle Label-Consistent Networks for Unsupervised Domain Adaptation},
author = {Mei Wang and Weihong Deng},
journal= {arXiv preprint arXiv:2205.13957},
year = {2022}
}
备注
Accepted by Neurocomputing