基于狄利克雷分布的不确定性校准用于主动域适应
计算机视觉与模式识别
2023-02-28 v1
摘要
主动域适应（DA）旨在通过主动选择有限的目标数据进行标注，以最大化地提升模型在新目标域上的适应能力，而传统主动学习方法可能效果较差，因为它们未考虑域偏移问题。尽管主动域适应方法通过进一步提出目标性（targetness）来衡量目标域特征的表征性以解决此问题，其预测不确定性通常基于确定性模型的预测，在具有分布偏移的数据上很容易出现误校准。考虑到这一点，我们提出了一种用于主动域适应的\textit{基于狄利克雷分布的不确定性校准}（DUC）方法，该方法同时实现了误校准的缓解与信息性目标样本的选择。具体而言，我们在预测上放置狄利克雷先验，并将预测解释为概率单纯形上的分布，而非像确定性模型那样的点估计。这种方式使我们能够考虑所有可能的预测，从而缓解单边预测的误校准。随后，设计了一种基于不同不确定性来源的两轮选择策略，以选择既代表目标域又有助于可判别性的目标样本。在跨域图像分类和语义分割上的大量实验验证了DUC的优越性。
引用
@article{arxiv.2302.13824,
title = {Dirichlet-based Uncertainty Calibration for Active Domain Adaptation},
author = {Mixue Xie and Shuang Li and Rui Zhang and Chi Harold Liu},
journal= {arXiv preprint arXiv:2302.13824},
year = {2023}
}
备注
Accepted at ICLR 2023 as Spotlight