基于距离的超球面分类用于多源开集域自适应
计算机视觉与模式识别
2021-10-22 v3
摘要
在封闭世界场景中训练的视觉系统在部署时遇到新环境条件、新数据分布和新类别时会失效。如何迈向开放世界学习是一个长期的研究问题。现有解决方案主要聚焦于该问题的特定方面（单域开集、多域闭集），或提出结合多种损失与人工调参超参数的复杂策略。在本工作中，我们通过引入 HyMOS 来解决多源开集域自适应问题：这是一个简洁的模型，它利用对比学习的威力及其超球面特征空间的性质，在目标域上正确预测已知标签，同时拒绝属于任何未知类的样本。HyMOS 在对比学习的实例变换中引入风格迁移以获得域不变性，同时避免负迁移风险。基于观测数据分布定义了一种自步阈值，并在训练期间在线更新，从而处理已知-未知分离。我们在三个具挑战性的数据集上验证了我们的方法。所得结果表明 HyMOS 优于若干竞争对手，确立了新的 SOTA。我们的代码可在 https://github.com/silvia1993/HyMOS 获取。
引用
@article{arxiv.2107.02067,
title = {Distance-based Hyperspherical Classification for Multi-source Open-Set Domain Adaptation},
author = {Silvia Bucci and Francesco Cappio Borlino and Barbara Caputo and Tatiana Tommasi},
journal= {arXiv preprint arXiv:2107.02067},
year = {2021}
}
备注
accepted at WACV 2022