用于无监督域适应的生成式伪标签精炼
计算机视觉与模式识别
2020-01-10 v1
摘要
我们研究并刻画了条件生成对抗网络（cGANs）对其条件标签中噪声的固有鲁棒性，并在无监督域适应（UDA）的背景下利用这一事实。在 UDA 中，在带标签源集上训练的分类器可用于推断无标签目标集上的伪标签。然而，这将导致大量误分类样本（由于众所周知的域偏移问题），可将其解释为目标集真实标签中的噪声注入。我们表明 cGANs 在某种程度上对此类“偏移噪声”是鲁棒的。事实上，用含噪伪标签训练的 cGANs 能够过滤此类噪声并生成更干净的目标样本。我们在一个生成模型与分类器联合训练的迭代过程中利用这一发现：生成器允许从目标分布中采样更干净的数据，而分类器允许为目标样本关联更好的标签，逐步精炼目标伪标签。在常用基准上的结果表明，我们的方法与无监督域适应的最优方法相比表现更优或相当。
引用
@article{arxiv.2001.02950,
title = {Generative Pseudo-label Refinement for Unsupervised Domain Adaptation},
author = {Pietro Morerio and Riccardo Volpi and Ruggero Ragonesi and Vittorio Murino},
journal= {arXiv preprint arXiv:2001.02950},
year = {2020}
}