基于扩散的目标采样器用于无监督域适应
计算机视觉与模式识别
2023-03-23 v1 人工智能
摘要
有限的迁移性阻碍了深度学习模型在新应用场景中的表现。近来，无监督域适应（UDA）通过学域不变特征在解决该问题上取得了显著进展。然而，较大的域偏移以及目标域中样本稀缺使得现有 UDA 方法取得次优性能。为缓解这些问题，我们提出一种即插即用的基于扩散的目标采样器（DTS）来生成高保真且多样化的伪目标样本。通过引入类别条件信息，所生成目标样本的标签可被控制。生成的样本能很好地模拟目标域的数据分布，并帮助现有 UDA 方法更容易地从源域迁移到目标域，从而提升迁移性能。在多个基准上的大量实验表明，现有 UDA 方法的性能可通过所提出的 DTS 方法得到大幅改善。
引用
@article{arxiv.2303.12724,
title = {Diffusion-based Target Sampler for Unsupervised Domain Adaptation},
author = {Yulong Zhang and Shuhao Chen and Yu Zhang and Jiangang Lu},
journal= {arXiv preprint arXiv:2303.12724},
year = {2023}
}