面向半监督领域自适应的任务分解深度协同训练
计算机视觉与模式识别
2021-09-24 v5 机器学习
摘要
半监督领域自适应（SSDA)旨在将从有标签源域训练的模型适配到一个不同但相关的目标域，该目标域提供了无标签数据和少量有标签数据。当前方法不加区分地处理源域和目标域的监督信息，忽视了它们固有的差异，导致得到一个源域主导的模型，未能有效利用目标域的监督信息。在本文中，我们主张必须区分有标签目标数据以实现有效的SSDA，并提出将SSDA任务显式分解为两个子任务：目标域内的半监督学习（SSL)任务和跨域的无监督领域自适应（UDA)任务。通过这样做，两个子任务可以更好地利用相应的监督信息，从而产生非常不同的分类器。为了整合两个分类器的优势，我们应用了成熟的协同训练框架，在该框架中，两个分类器交换其高置信度预测，以迭代地“互相教学”，从而使两个分类器都能在目标域中表现出色。我们将我们的方法称为任务分解深度协同训练（DeCoTa）。DeCoTa不需要对抗性训练，且易于实现。此外，DeCoTa建立在协同训练何时会成功的理论条件之上。因此，DeCoTa在多个SSDA数据集上取得了最先进的结果，在DomainNet上以显著的4%的优势超越了先前的最佳方法。代码可在https://github.com/LoyoYang/DeCoTa获取。
引用
@article{arxiv.2007.12684,
title = {Deep Co-Training with Task Decomposition for Semi-Supervised Domain Adaptation},
author = {Luyu Yang and Yan Wang and Mingfei Gao and Abhinav Shrivastava and Kilian Q. Weinberger and Wei-Lun Chao and Ser-Nam Lim},
journal= {arXiv preprint arXiv:2007.12684},
year = {2021}
}
备注
accepted to ICCV 2021