EIANet：一种基于神经崩溃原理最大化类别区分度的新型域适应方法
计算机视觉与模式识别
2024-07-24 v1
摘要
源自域适应 (SFDA) 旨在将标记源域的知识传递到未标记的目标域。SFDA 的主要挑战在于为目标域推导准确的类别信息，尤其是在不同类别样本嵌入相似的情况下。这一问题在细粒度视觉分类任务中尤为突出，因为类别间差异微小。为克服这一挑战，我们引入一种新型等角紧致帧 (ETF) 信息注意力网络 (EIANet)，以利用注意力机制和神经崩溃原理分离类别原型。具体而言，EIANet 采用 simplex 等角紧致帧 (ETF) 分类器，结合注意力机制，使模型能够聚焦于判别特征，从而确保类别原型的最大化分离。这种创新方法通过定位显著区域，有效放大不同类别在潜空间中的特征差异，从而防止相似但具有区别性的类别样本被误分类，并为在目标域上的微调提供更准确的类别信息。四个 SFDA 数据集上的实验结果表明，EIANet 在各项指标上均实现了最先进的性能。代码已公开：https://github.com/zichengpan/EIANet。
引用
@article{arxiv.2407.16189,
title = {EIANet: A Novel Domain Adaptation Approach to Maximize Class Distinction with Neural Collapse Principles},
author = {Zicheng Pan and Xiaohan Yu and Yongsheng Gao},
journal= {arXiv preprint arXiv:2407.16189},
year = {2024}
}
备注
12 pages, 3 figures. Accepted by BMVC2024