深度鸡尾酒网络:面向类别偏移的多源无监督域适应
机器学习
2018-03-05 v1 计算机视觉与模式识别
摘要
无监督域适应(UDA)通常假设带标签的源样本来自单一潜在的源分布。而在实际场景中,带标签数据通常采集自多样化来源。多个源不仅彼此不同,也不同于目标域,因此域适配器不应以相同方式建模。此外,这些源可能并不完全共享其类别,这进一步带来了称为类别偏移的新迁移挑战。本文中,我们提出深度鸡尾酒网络(DCTN)以应对多源间的域偏移与类别偏移。受 \cite{mansour2009domain} 中理论结果的启发,目标分布可表示为源分布的加权组合,随后通过 DCTN 的多源无监督域适应执行为两个交替步骤:i) 部署多路对抗学习以最小化目标域与各源域间的差异,同时获得源特定的困惑度分数以表示目标样本属于不同源域的可能性。ii) 将多源类别分类器与困惑度分数集成以对目标样本分类,并将伪标记的目标样本与源样本用于更新多源类别分类器与特征提取器。我们在三个域适应基准上评估 DCTN,清晰展示了我们框架的优越性。
引用
@article{arxiv.1803.00830,
title = {Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift},
author = {Ruijia Xu and Ziliang Chen and Wangmeng Zuo and Junjie Yan and Liang Lin},
journal= {arXiv preprint arXiv:1803.00830},
year = {2018}
}
备注
Accepted for publication in Conference on Computer Vision and Pattern Recognition(CVPR), 2018