面向无监督多源域自适应分类的域一致性正则化
计算机视觉与模式识别
2021-06-17 v1
摘要
基于深度学习的多源无监督域自适应（MUDA）近年来得到了积极研究。与单源无监督域自适应（SUDA）相比，MUDA中的域偏移不仅存在于源域与目标域之间，也存在于多个源域之间。现有大多数MUDA算法侧重于在所有域中提取域不变表示，而类间任务特定的决策边界在很大程度上被忽视。本文提出一种端到端可训练网络，利用域一致性正则化实现无监督多源域自适应分类（CRMA）。CRMA不仅对齐每一对源域与目标域的分布，还对齐所有域的分布。对于每一对源域与目标域，我们采用域内一致性来正则化一对域特定分类器以实现域内对齐。此外，我们设计了一种域间一致性，旨在实现所有域之间的联合域间对齐。为应对多个源域与目标域之间不同的相似性，我们设计了一种授权策略，自适应地为域特定分类器分配不同权限，以实现最优伪标签预测与自训练。大量实验表明，CRMA在多源设定下有效解决了无监督域自适应问题，并在多个MUDA数据集上持续取得优越的适应性能。
引用
@article{arxiv.2106.08590,
title = {Domain Consistency Regularization for Unsupervised Multi-source Domain Adaptive Classification},
author = {Zhipeng Luo and Xiaobing Zhang and Shijian Lu and Shuai Yi},
journal= {arXiv preprint arXiv:2106.08590},
year = {2021}
}