用于无监督域自适应的渐进源域扩展
计算机视觉与模式识别
2023-11-17 v1
摘要
无监督域自适应(UDA)试图通过将知识从具有大量标注数据的源数据集迁移到无标注数据的目标数据集，来克服对大型标注数据集的需求。由于目标域中没有标签，早期的误对齐可能传播到后续阶段并导致误差累积。为克服此问题，我们提出一种渐进源域扩展(GSDE)算法。GSDE多次从头训练UDA任务，每次重新初始化网络权重，但每次用目标数据扩展源数据集。具体而言，前一次运行中得分最高的目标数据被用作带有相应伪标签的伪源样本。利用此策略，伪源样本从新训练一开始便直接引入前一次运行提取的知识。这有助于更好地对齐两个域，尤其在训练早期轮次。在本研究中，我们首先引入一个强基线网络并应用我们的GSDE策略。我们在三个基准(Office-31、OfficeHome和DomainNet)上进行实验和消融研究，并优于当前最优方法。我们进一步表明所提GSDE策略能提升多种不同当前最优UDA方法的准确率。
引用
@article{arxiv.2311.09599,
title = {Gradual Source Domain Expansion for Unsupervised Domain Adaptation},
author = {Thomas Westfechtel and Hao-Wei Yeh and Dexuan Zhang and Tatsuya Harada},
journal= {arXiv preprint arXiv:2311.09599},
year = {2023}
}
备注
Accepted for WACV 2024