用于判别性半监督域适应的有效标签传播
计算机视觉与模式识别
2020-12-07 v1
摘要
半监督域适应（SSDA）方法在源域有海量标注数据而目标域仅提供极少标注样本的大规模图像分类任务中已展现出巨大潜力。现有方案通常关注两域间的特征对齐，却很少关注所学表示在目标域中的判别能力。本文提出一种新颖有效的方法，即有效标签传播（ELP），利用有效的域间与域内语义信息传播来解决该问题。对于域间传播，我们提出一种新的循环差异损失以鼓励两域间语义信息的一致性。对于域内传播，我们提出一种有效的自训练策略，以减轻伪标注目标域数据中的噪声并改善目标域中的特征可判别性。作为一种通用方法，我们的 ELP 可轻松应用于各类域适应方法，并能促进其在目标域中的特征判别。在 Office-Home 与 DomainNet 基准上的实验表明，ELP 持续将主流 SSDA 方法的分类准确率提升 2%~3%。此外，基于 VisDA-2017 基准上的 UDA 实验，ELP 也提升了 UDA 方法的性能（81.5% 对比 86.1%）。我们的源代码与预训练模型将很快发布。
引用
@article{arxiv.2012.02621,
title = {Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation},
author = {Zhiyong Huang and Kekai Sheng and Weiming Dong and Xing Mei and Chongyang Ma and Feiyue Huang and Dengwen Zhou and Changsheng Xu},
journal= {arXiv preprint arXiv:2012.02621},
year = {2020}
}