基于norm-VAE的数据增强用于无监督域适应
计算机视觉与模式识别
2020-12-03 v1 机器学习
摘要
我们从新的视角解决图像分类中的无监督域适应(UDA)问题。与大多数现有工作要么对齐数据分布要么学习域不变特征不同，我们直接在无需显式域适应的高维同质特征空间中为两个域学习一个统一分类器。为此，我们采用有效的选择性伪标注(SPL)技术来利用目标域中的无标签样本。令人惊讶的是，源域和目标域之间的数据分布差异可以通过在原始特征空间中训练的计算简单的分类器(例如浅层多层感知机)得到很好处理。此外，我们提出了一种新颖的生成模型norm-VAE，为目标域生成合成特征作为一种数据增强策略以增强分类器训练。在多个基准数据集上的实验结果表明，伪标注策略本身即可达到与许多最先进方法相当的性能，而使用norm-VAE进行特征增强在大多数情况下能进一步提升性能。因此，我们提出的方法(即naive-SPL和norm-VAE-SPL)在Office-Caltech和ImageCLEF-DA数据集上分别以93.4%和90.4%的平均准确率取得了新的最先进性能，并在Digits、Office31和Office-Home数据集上分别以97.2%、87.6%和67.9%的平均准确率取得了相当的性能。
引用
@article{arxiv.2012.00848,
title = {Data Augmentation with norm-VAE for Unsupervised Domain Adaptation},
author = {Qian Wang and Fanlin Meng and Toby P. Breckon},
journal= {arXiv preprint arXiv:2012.00848},
year = {2020}
}
备注
12 pages