基于移动阈值估计与渐进对齐的不平衡开集域自适应
计算机视觉与模式识别
2023-03-10 v2
摘要
多媒体应用常涉及跨域知识迁移，其中无监督域自适应（UDA）可用于减小域偏移。开集域自适应（OSDA）旨在将知识从标注良好的源域迁移至含未知类的未标注目标域。现有 OSDA 方法一贯侧重协变量偏移，忽视潜在的标签偏移问题。在域内类不平衡与域间标签偏移下，OSDA 方法性能急剧退化。然而，学界对此问题鲜有关注。本文探讨不平衡开集域自适应（IOSDA），其中协变量偏移、标签偏移与类别不匹配同时存在。为缓解 OSDA 中标签偏移的负面影响，我们提出开集移动阈值估计与渐进对齐（OMEGA）——一种在类不平衡数据上改进现有 OSDA 方法的新架构。具体而言，提出一种新颖的未知类感知目标聚类方案，在目标域形成紧密簇以减少标签偏移与域内类不平衡的负面影响。此外，设计移动阈值估计为目标样本各自生成特定阈值，而非对所有样本使用同一阈值。在 IOSDA、OSDA 与 OPDA 基准上的大量实验表明，本方法显著优于现有 state-of-the-arts。代码与数据见 https://github.com/mendicant04/OMEGA。
引用
@article{arxiv.2303.04393,
title = {Imbalanced Open Set Domain Adaptation via Moving-threshold Estimation and Gradual Alignment},
author = {Jinghan Ru and Jun Tian and Zhekai Du and Chengwei Xiao and Jingjing Li and Heng Tao Shen},
journal= {arXiv preprint arXiv:2303.04393},
year = {2023}
}
备注
11 pages, 5 figures, 7 tables