面向对抗域适应的双重 Mixup 正则化学习
机器学习
2020-07-20 v2 计算机视觉与模式识别
机器学习
摘要
近期无监督域适应(UDA)的进展依赖于对抗学习来解耦可解释与可迁移特征以进行域适应。然而,现有方法存在两个问题。首先,若不考虑目标域中的类别感知信息,潜空间的可判别性无法得到充分保证。其次,仅依靠源域和目标域样本不足以在潜空间中提取域不变特征。为缓解上述问题,我们提出一种用于 UDA 的双重 mixup 正则化学习(DMRL)方法,其不仅引导分类器增强样本间的一致预测,还丰富了潜空间的内在结构。DMRL 在像素层面联合执行类别与域的 mixup 正则化,以提升模型有效性。在四个域适应基准上的一系列实证研究表明,我们的方法能够达到 SOTA。
引用
@article{arxiv.2007.03141,
title = {Dual Mixup Regularized Learning for Adversarial Domain Adaptation},
author = {Yuan Wu and Diana Inkpen and Ahmed El-Roby},
journal= {arXiv preprint arXiv:2007.03141},
year = {2020}
}
备注
This paper has been accepted by ECCV 2020