增量式开放集域适应
计算机视觉与模式识别
2024-09-04 v1
摘要
灾难性遗忘使得神经网络模型在连续学习视觉域时变得不稳定。当用新域训练时，神经网络模型会因灾难性遗忘导致先前学习过的域性能低下。我们阐明了当前神经网络模型的这一弱点，并开发了一种抗遗忘的增量学习策略。在此，我们针对图像分类提出了一个新的无监督增量式开放集域适应(IOSDA)问题。开放集域适应增加了增量域适应问题的复杂性，因为每个目标域都比源域拥有更多的类别。在IOSDA中，模型在递增的时间内分阶段地以域流进行训练。推理使用来自所有目标域的测试数据，但不揭示其身份。我们提出了IOSDA-Net，一个两阶段学习流程来解决这个问题。第一个模块使用生成框架从随机噪声中复制先前的域，并创建一个伪源域。在第二步中，这个伪源被适应到当前的目标域。我们在Office-Home、DomainNet和UPRN-RSDA（一个新整理的光学遥感数据集）上测试了我们的模型。
引用
@article{arxiv.2409.00530,
title = {Incremental Open-set Domain Adaptation},
author = {Sayan Rakshit and Hmrishav Bandyopadhyay and Nibaran Das and Biplab Banerjee},
journal= {arXiv preprint arXiv:2409.00530},
year = {2024}
}