无监督域适应中高效预训练特征与循环伪标注方法
计算机视觉与模式识别
2021-05-04 v2
摘要
域适应（DA）用于在将一个已标注域的知识迁移到另一个相似但不同的未标注域时缓解域偏移问题。然而，现有模型常仅使用ImageNet模型之一作为骨干网络而未探索其他模型，且微调或重训骨干ImageNet模型也耗时。此外，伪标注已被用于提升目标域性能，但如何生成可信伪标注并显式对齐域分布尚未得到很好解决。在本文中，我们展示了如何在无监督DA问题中从十七个知名ImageNet模型中高效选择最佳预训练特征。此外，我们提出一种使用最佳预训练特征的循环伪标注模型（称为PRPL）以提升分类性能。为展示PRPL的有效性，我们在三个基准数据集Office+Caltech-10、Office-31和Office-Home上评估该模型。大量实验表明，我们的模型减少了计算时间，并将平均准确率分别提升至98.1%、92.4%和81.2%，大幅优于最先进水平。
引用
@article{arxiv.2104.13486,
title = {Efficient Pre-trained Features and Recurrent Pseudo-Labeling in Unsupervised Domain Adaptation},
author = {Youshan Zhang and Brian D. Davison},
journal= {arXiv preprint arXiv:2104.13486},
year = {2021}
}