面向多标签图像分类的无判别器无监督域适应
计算机视觉与模式识别
2023-11-09 v3
摘要
本文提出了一种用于多标签图像分类（MLIC）的基于对抗的无判别器无监督域适应（UDA）方法，称为 DDA-MLIC。近来，已有一些在 MLIC 背景下引入基于对抗的 UDA 方法的尝试。然而，这些依赖额外判别器子网络的方法存在一个主要缺陷。由于分类与判别任务解耦，域不变特征的学习可能损害其任务特定的判别能力。在此，我们提出通过引入一种直接从任务特定分类器推导出的新颖对抗 critic 来克服此问题。具体而言，对源域和目标域预测拟合一个双分量高斯混合模型（GMM），以区分两个簇。这允许为每个分量提取一个高斯分布。所得高斯分布随后用于基于 Fréchet 距离构建对抗损失。所提方法在涵盖三种不同域偏移类型的多个多标签图像数据集上进行了评估。获得的结果表明，DDA-MLIC 在精度方面优于现有最先进方法，同时所需参数更少。代码公开于 github.com/cvi2snt/DDA-MLIC。
引用
@article{arxiv.2301.10611,
title = {Discriminator-free Unsupervised Domain Adaptation for Multi-label Image Classification},
author = {Indel Pal Singh and Enjie Ghorbel and Anis Kacem and Arunkumar Rathinam and Djamila Aouada},
journal= {arXiv preprint arXiv:2301.10611},
year = {2023}
}