深度无监督域适应：近期进展与展望综述
计算机视觉与模式识别
2022-08-17 v1 人工智能
机器学习
图像与视频处理
信号处理
摘要
深度学习已成为解决不同领域实际问题的首选方法，部分原因在于其从数据中学习并在广泛应用上取得令人印象深刻的性能的能力。然而，其成功通常依赖于两个假设：(i) 需要大量标注数据集以准确拟合模型，以及 (ii) 训练与测试数据独立同分布。因此，其在未见目标域上的性能无法保证，尤其在适应阶段遇到分布外数据时。目标域数据上的性能下降是在源域数据上成功训练的深度神经网络部署时的一个关键问题。无监督域适应（UDA）被提出以应对此问题，它利用有标注的源域数据与无标注的目标域数据在目标域上执行各种任务。UDA 已在自然图像处理、视频分析、自然语言处理、时间序列数据分析、医学图像分析等方面取得有前景的结果。在本综述中，作为一个快速发展的主题，我们对其方法与应用进行了系统比较。此外，还讨论了 UDA 与其紧密相关的任务（如域泛化与分布外检测）的联系。进而，指出了当前方法的不足与可能的前景方向。
引用
@article{arxiv.2208.07422,
title = {Deep Unsupervised Domain Adaptation: A Review of Recent Advances and Perspectives},
author = {Xiaofeng Liu and Chaehwa Yoo and Fangxu Xing and Hyejin Oh and Georges El Fakhri and Je-Won Kang and Jonghye Woo},
journal= {arXiv preprint arXiv:2208.07422},
year = {2022}
}
备注
APSIPA Transactions on Signal and Information Processing