ECACL：一种用于半监督域适应的整体框架
计算机视觉与模式识别
2021-08-24 v2
摘要
本文研究半监督域适应（SSDA），这是一个实用但研究不足的主题，旨在借助源域的有标签样本，利用目标域中无标签样本与少量有标签样本学习高性能模型。近期已有若干 SSDA 方法被提出，但它们未能充分利用少量目标有标签样本的价值。本文提出增强类别对齐与一致性学习（ECACL），一种融合多种互为互补的域对齐技术的整体 SSDA 框架。ECACL 包含两种实现类级对齐的类别域对齐技术、一种基于强数据增强以提升模型泛化能力的技术，以及一种基于一致性学习使模型对图像扰动保持鲁棒的技术。这些技术应用于三种输入（有标签源域、无标签目标域、有标签目标域）中的一种或多种，并从不同视角对齐域。ECACL 将它们统一在一起，实现了远比现有方法更全面的域对齐：例如在 VisDA2017 上，ECACL 将 SOTA 准确率从 68.4 提升至 81.1；在 DomainNet 的 1-shot 设定下从 45.5 提升至 53.4。我们的代码见 \url{https://github.com/kailigo/pacl}。
引用
@article{arxiv.2104.09136,
title = {ECACL: A Holistic Framework for Semi-Supervised Domain Adaptation},
author = {Kai Li and Chang Liu and Handong Zhao and Yulun Zhang and Yun Fu},
journal= {arXiv preprint arXiv:2104.09136},
year = {2021}
}
备注
To appear in ICCV 2021