面向多标签图像分类的无判别器域适应方法
计算机视觉与模式识别
2025-05-21 v1
摘要
本文提出了一种基于判别器-free 对抗方法，称为 DDA-MLIC，用于多标签图像分类（MLIC）场景下的无监督域适应（UDA）。虽然近期努力探索了 MLIC 的对抗-based UDA 方法，但通常包括额外的判别子网络。然而，解耦分类和判别任务可能损害其任务特定的判别功效。为此，我们提出一种 novel adversarial critic，直接从任务特定的分类器中派生。具体而言，我们采用两个组成的高斯混合模型（GMM）来建模源和目标预测，将其区分为两个 distinct cluster。与传统期望最大化（EM）算法不同，我们使用深度神经网络（DNN）来估计每个 GMM 组件的参数。随后，利用源和目标 GMM 参数构建基于弗雷赛距离（Fréchet distance）的对抗 loss。因此，所提框架既全可微，又 cost-effective，因为它避免了标准 EM 方法通常引起的高昂迭代过程。该方法在覆盖三种不同类型域迁移的多个多标签图像数据集上进行评估。获得的结果表明，DDA-MLIC 在精度方面优于现有 SOTA 方法，同时所需参数更少。代码已公开于 github.com/cvi2snt/DDA-MLIC。
引用
@article{arxiv.2505.14333,
title = {Domain Adaptation for Multi-label Image Classification: a Discriminator-free Approach},
author = {Inder Pal Singh and Enjie Ghorbel and Anis Kacem and Djamila Aouada},
journal= {arXiv preprint arXiv:2505.14333},
year = {2025}
}
备注
The paper is under consideration at Computer Vision and Image Understanding. arXiv admin note: text overlap with arXiv:2301.10611