通过保留因子改进多源域适应
计算机视觉与模式识别
2020-10-19 v2
摘要
在基于深度神经网络的图像分类中，域适应（DA）是一个高度相关的研究课题。以巧妙的方式组合多个源域以优化分类模型，可以改善对目标域的泛化能力。在此，源图像数据集与目标图像数据集的数据分布差异起着主要作用。在本文中，我们基于视觉因子理论描述了真实世界场景在图像中一般如何呈现，以及近期的 DA 数据集如何由此类因子构成。我们表明，不同域可由一组所谓的域因子描述，其值在一个域内一致，但可跨域变化。许多 DA 方法试图从特征表示中移除所有域因子以实现域不变性。在本文中我们表明，这可能会导致负迁移，因为任务信息性因子也可能丢失。为此，我们提出因子保留域适应（FP-DA），一种训练深度对抗无监督 DA 模型的方法，能够在多域场景下保留特定任务相关因子。我们在具有多个域的数据集 CORe50 上展示了如何通过单域间标准的一对一迁移实验结合 PCA 来识别此类因子。通过应用 FP-DA，我们表明可以获得最高的平均性能和最低性能。
引用
@article{arxiv.2010.07783,
title = {Improved Multi-Source Domain Adaptation by Preservation of Factors},
author = {Sebastian Schrom and Stephan Hasler and Jürgen Adamy},
journal= {arXiv preprint arXiv:2010.07783},
year = {2020}
}