GrabDAE：一种基于 Grab-Mask 和 Denoise Auto-Encoder 的无监督域适应创新框架
计算机视觉与模式识别
2024-10-11 v1 人工智能
摘要
无监督域适应（UDA）旨在通过解决域移问题，将在源域上带标签训练的模型适配到未标记的目标域。现有的无监督域适应（UDA）方法在充分利用目标域的上下文信息方面不足，导致在源域和目标域对齐期间决策边界分离次优。为此，我们引入了 GrabDAE，一个针对视觉分类任务中的域移问题设计的创新性 UDA 框架。GrabDAE 包含两个关键创新：Grab-Mask 模块会模糊目标域图像中的背景信息，使模型能够通过对比学习专注于关键且与域相关的特征；Denoise Auto-Encoder（DAE）通过重建特征和过滤噪声来增强特征对齐，确保对目标域的更稳健适应。这两个组件使 GrabDAE 能够有效处理未标记的目标域数据，显著提高分类准确率和鲁棒性。在包括 VisDA-2017、Office-Home 和 Office31 在内的基准数据集上进行大量实验，表明 GrabDAE 在持续超越最先进的 UDA 方法，树立了新的性能基准。通过其新颖的特征遮挡和去噪方法，GrabDAE 旨在解决 UDA 的关键挑战，为领域适应提供了显著的理论和实际进步。
引用
@article{arxiv.2410.08023,
title = {GrabDAE: An Innovative Framework for Unsupervised Domain Adaptation Utilizing Grab-Mask and Denoise Auto-Encoder},
author = {Junzhou Chen and Xuan Wen and Ronghui Zhang and Bingtao Ren and Di Wu and Zhigang Xu and Danwei Wang},
journal= {arXiv preprint arXiv:2410.08023},
year = {2024}
}