用于域适应的难类校正
计算机视觉与模式识别
2021-04-21 v2 机器学习
摘要
域适应(DA)旨在将知识从标签丰富且相关的域(源域)转移到标签稀缺的域(目标域)。伪标签近年来已被广泛探索并用于 DA。然而，这类研究仍受限于伪标签的不准确性。在本文中，我们揭示了一个有趣的现象：相较于其他类别，具有较大域偏移的类别所属的目标样本更容易被误分类。这些类别被称为难类，其恶化了 DA 的性能并限制了 DA 的应用。我们提出了一个新颖框架，称为难类校正伪标签(HCRPL)，从两方面缓解难类问题。首先，由于难以将目标样本识别为难类，我们提出了一种简单而有效的方案，称为自适应预测校准(APC)，根据每个类别的难度程度校准目标样本的预测。其次，我们进一步考虑到属于难类的目标样本的预测易受扰动影响。为防止这些样本被轻易误分类，我们引入时间集成(TE)与自集成(SE)以获得一致预测。所提方法在无监督域适应(UDA)与半监督域适应(SSDA)中均进行了评估。在包括 ImageCLEF、Office-31 与 Office-Home 在内的多个真实世界跨域基准上的实验结果证实了所提方法的优越性。
引用
@article{arxiv.2008.03455,
title = {Hard Class Rectification for Domain Adaptation},
author = {Yunlong Zhang and Changxing Jing and Huangxing Lin and Chaoqi Chen and Yue Huang and Xinghao Ding and Yang Zou},
journal= {arXiv preprint arXiv:2008.03455},
year = {2021}
}