域自适应集成学习
计算机视觉与模式识别
2021-10-04 v3
摘要
本文在多源域到目标域的深度神经网络泛化问题研究中考察两种设定：当有无标签目标数据可用时，其为多源无监督域自适应（UDA）问题，否则为域泛化（DG）问题。我们提出一个称为域自适应集成学习（DAEL）的统一框架来解决这两类问题。一个 DAEL 模型由一个跨域共享的 CNN 特征提取器和多个分类器头组成，每个分类器头被训练以专用于某一特定源域。每个此类分类器对其自身域是专家，对其他域是非专家。DAEL 旨在协作地学习这些专家，使得在形成集成时，它们能够利用彼此的互补信息，对未见过的目标域更为有效。为此，每个源域依次被用作伪目标域，由其自身的专家为从其他源学到的非专家集成提供监督信号。对于不存在真实专家的 UDA 设定下的无标签目标数据，DAEL 使用伪标签来监督集成学习。在三个多源 UDA 数据集和两个 DG 数据集上的大量实验表明，DAEL 在两类问题上均改进了当前最优（SOTA）水平，且常幅度显著。代码发布于 \url{https://github.com/KaiyangZhou/Dassl.pytorch}。
引用
@article{arxiv.2003.07325,
title = {Domain Adaptive Ensemble Learning},
author = {Kaiyang Zhou and Yongxin Yang and Yu Qiao and Tao Xiang},
journal= {arXiv preprint arXiv:2003.07325},
year = {2021}
}
备注
Accepted at TIP