动态实例域适应
计算机视觉与模式识别
2022-07-27 v2
摘要
现有大多数关于无监督域适应的研究假设每个域的训练样本都带有域标签（例如，绘画、照片）。来自每个域的样本被假设遵循相同的分布，并利用域标签通过特征对齐来学习域不变特征。然而，这种假设往往不成立——通常存在大量更细粒度的域（例如，已经发展出数十种现代绘画风格，每种都与经典风格大相径庭）。因此，强制在每个粗粒度的人为定义域上进行特征分布对齐可能是无效的。本文从一个完全不同的视角解决单源和多源 UDA 问题，即将每个实例视为一个细粒度域。跨域的特征对齐因此是冗余的。相反，我们提出执行动态实例域适应。具体而言，我们开发了一个具有自适应卷积核的动态神经网络，以生成实例自适应残差，从而将域无关的深度特征适应于每个单独的实例。这使得一个共享分类器能够应用于源域和目标域数据，而无需依赖任何域标注。此外，我们没有施加复杂的特征对齐损失，而是采用了一种简单的半监督学习范式，仅对有标签的源数据和伪标签的目标数据使用交叉熵损失。我们的模型被称为 DIDA-Net，在几个常用的单源和多源 UDA 数据集上取得了最先进的性能，包括 Digits、Office-Home、DomainNet、Digit-Five 和 PACS。
引用
@article{arxiv.2203.05028,
title = {Dynamic Instance Domain Adaptation},
author = {Zhongying Deng and Kaiyang Zhou and Da Li and Junjun He and Yi-Zhe Song and Tao Xiang},
journal= {arXiv preprint arXiv:2203.05028},
year = {2022}
}
备注
Accepted to IEEE T-IP. Code available at https://github.com/Zhongying-Deng/DIDA