域适应的生成式目标结构去偏方法 GeT
计算机视觉与模式识别
2023-08-22 v1
摘要
域适应（DA）旨在域偏移下将知识从完全标注的源域迁移至标注稀少或完全无标注的目标域。近来，利用伪标签的半监督学习（SSL）技术日益用于 DA。尽管性能具竞争力，这些伪标签方法严重依赖源域为目标域生成伪标签，因而仍显著受源数据偏置困扰。此外，目标域中的类分布偏置在伪标签生成中也常被忽略，从而导致性能进一步恶化。本文提出 GeT，其学习具有高质量伪标签的无偏目标嵌入分布。具体而言，我们构建在线目标生成式分类器，将目标分布诱导为按类先验加权的显著高斯分量，以缓解源数据偏置并增强目标类可分辨性。我们进一步提出结构相似性正则化框架，以减轻目标类分布偏置并进一步提升目标类可分辨性。实验结果表明，所提 GeT 有效，并在有/无类分布偏置的多种 DA 设定下取得一致改进。代码见：https://lulusindazc.github.io/getproject/。
引用
@article{arxiv.2308.10205,
title = {GeT: Generative Target Structure Debiasing for Domain Adaptation},
author = {Can Zhang and Gim Hee Lee},
journal= {arXiv preprint arXiv:2308.10205},
year = {2023}
}
备注
Accepted by ICCV2023