面向无监督深度域适应的隐域推断
计算机视觉与模式识别
2021-03-26 v1
摘要
无监督域适应（UDA）指的是利用源域中带标注数据的信息，在无法获取标注数据的目标域中学习模型的问题。大多数深度 UDA 方法在单源单目标场景下运作，即假设源样本和目标样本来自单一分布。然而，在实践中大多数数据集可被视为多个域的混合。在这些情况下，利用传统的单源单目标方法学习分类模型可能导致较差的结果。此外，往往难以为所有数据点提供域标签，即应当自动发现隐域。本文提出了一种新颖的深度架构，通过自动发现视觉数据集中的隐域并利用该信息学习鲁棒的目标分类器来解决 UDA 问题。具体而言，我们的架构基于两个主要组件，即自动计算每一样本所属隐域分配的侧分支，以及利用域成员信息将 CNN 内部特征表示分布适当对齐到参考分布的新颖层。我们在公开基准上评估了我们的方法，表明其优于最先进的域适应方法。
引用
@article{arxiv.2103.13873,
title = {Inferring Latent Domains for Unsupervised Deep Domain Adaptation},
author = {Massimiliano Mancini and Lorenzo Porzi and Samuel Rota Bulò and Barbara Caputo and Elisa Ricci},
journal= {arXiv preprint arXiv:2103.13873},
year = {2021}
}
备注
IEEE T-PAMI, https://ieeexplore.ieee.org/document/8792192