面向无监督域适应的域引导条件扩散模型
机器学习
2023-09-27 v1 计算机视觉与模式识别
摘要
有限的迁移性阻碍了深度学习模型在新应用场景中的性能表现。近年来,无监督域适应(UDA)通过学习域不变特征在解决该问题上取得了显著进展。然而,现有 UDA 方法的性能受到较大域偏移和有限目标域数据的制约。为缓解这些问题,我们提出域引导条件扩散模型(DACDM),为目标域生成高保真且多样化的样本。在所提出的 DACDM 中,通过引入类别信息可控制生成样本的标签,并进一步在 DACDM 中引入域分类器以引导为目标域生成的样本。生成的样本帮助现有 UDA 方法更容易地从源域迁移到目标域,从而提升迁移性能。在多个基准数据集上的大量实验表明,DACDM 为现有 UDA 方法的性能带来了大幅提升。
引用
@article{arxiv.2309.14360,
title = {Domain-Guided Conditional Diffusion Model for Unsupervised Domain Adaptation},
author = {Yulong Zhang and Shuhao Chen and Weisen Jiang and Yu Zhang and Jiangang Lu and James T. Kwok},
journal= {arXiv preprint arXiv:2309.14360},
year = {2023}
}
备注
Work in progress