面向半监督域泛化的域引导权重调制
计算机视觉与模式识别
2024-09-06 v1
摘要
不可否认，能够在仅利用少量标签数据的情况下对未见域数据进行泛化的深度学习模型具有重要的实际意义，因为开发成本较低。在此背景下，我们研究了具有挑战性的半监督域泛化 (SSDG) 问题，即仅使用少量标记数据和较大比例的未标记数据学习域通用模型。域泛化 (DG) 方法在 SSDG 设置下表现不佳，而半监督学习 (SSL) 方法相对表现更好，但与完全监督的 DG 方法相比仍有明显不足。为处理这一新且具有挑战性的问题，本文提出了一种 novel 方法，用于在各种域迁移下生成准确的伪标签。该方法通过在训练期间保持每个源域对应的分类器的域层次特性来实现。具体而言，我们首先即时创建域层次信息向量，然后用于学习域感知掩码，以调制分类器的权重。我们对该调制过程在伪标签生成和模型训练方面的影响提供了数学解释。该方法即插即用，可轻易应用于不同的 SSL 基线以实现 SSDG。在两个不同 SSDG 设置下的六个具有挑战性数据集上的大量实验表明，我们的方法在各种强大的 SSL-based SSDG 基线上实现了可见的提升。
引用
@article{arxiv.2409.03509,
title = {Domain-Guided Weight Modulation for Semi-Supervised Domain Generalization},
author = {Chamuditha Jayanaga Galappaththige and Zachary Izzo and Xilin He and Honglu Zhou and Muhammad Haris Khan},
journal= {arXiv preprint arXiv:2409.03509},
year = {2024}
}
备注
Accepted at WACV25