利用样本间亲和力的可认知性感知通用域自适应
计算机视觉与模式识别
2023-08-23 v5
摘要
通用域自适应（UniDA）旨在将源域中公共类的知识迁移到目标域，而无需关于标签集的任何先验知识，这要求将目标域中的未知样本与已知样本区分开。近期方法通常侧重于将目标样本分类为某一源类，而非区分已知与未知样本，忽略了已知与未知样本间的样本间亲和力，可能导致次优性能。针对此问题，我们提出了一种利用此种样本间亲和力的新型 UDA 框架。具体而言，我们引入了一种可基于认知性的标注方案，可分为两步：1) 基于样本邻域内在结构的可认知性引导已知与未知样本检测，其中我们利用亲和矩阵的首奇异向量获得每个目标样本的可认知性。2) 基于邻域一致性的标签精炼以重新标注目标样本，其中我们根据每个目标样本预测的邻域一致性来精炼其标签。随后，基于这两步的辅助损失被用于减小未知与已知目标样本之间的样本间亲和力。最后，在四个公开数据集上的实验表明，我们的方法显著优于现有的最先进（SOTA）方法。
引用
@article{arxiv.2207.09280,
title = {Exploiting Inter-Sample Affinity for Knowability-Aware Universal Domain Adaptation},
author = {Yifan Wang and Lin Zhang and Ran Song and Hongliang Li and Paul L. Rosin and Wei Zhang},
journal= {arXiv preprint arXiv:2207.09280},
year = {2023}
}