高层语义特征对少样本无监督域适应至关重要
计算机视觉与模式识别
2023-03-17 v2
摘要
在少样本无监督域适应（FS-UDA）中，大多数现有方法遵循少样本学习（FSL）方法，利用从传统卷积模型（如ResNet）学习到的低层局部特征进行分类。然而，FS-UDA与FSL的目标相关却不同，因为FS-UDA旨在对目标域中的样本而非源域中的样本进行分类。我们发现局部特征对FS-UDA而言是不够的，可能引入不利于分类的噪声或偏差，且无法用于有效对齐域。为解决上述问题，我们旨在将局部特征精炼得更具判别性且与分类更相关。因此，我们提出了一种用于FS-UDA的新颖任务特定语义特征学习方法（TSECS）。TSECS学习用于图像到类相似度度量的高层语义特征。基于高层特征，我们设计了一种跨域自训练策略，利用源域中的少量标注样本构建目标域中的分类器。此外，我们最小化源域和目标域之间高层特征分布的KL散度，以缩短两域间样本的距离。在DomainNet上的大量实验表明，所提方法以较大优势（即10%）显著优于FS-UDA中的SOTA方法。
引用
@article{arxiv.2301.01956,
title = {High-level semantic feature matters few-shot unsupervised domain adaptation},
author = {Lei Yu and Wanqi Yang and Shengqi Huang and Lei Wang and Ming Yang},
journal= {arXiv preprint arXiv:2301.01956},
year = {2023}
}
备注
AAAI 2023