用于半监督域适应的跨域 Mixup
计算机视觉与模式识别
2024-01-23 v1
摘要
半监督域适应 (SSDA) 旨在弥合源域和目标域分布，在少量目标标签可用的情况下，实现比无监督域适应 (UDA) 更好的分类性能。然而，现有的 SSDA 工作未能充分利用来自源域和目标域的标签信息进行跨域特征对齐，导致模型测试时标签空间中出现标签不匹配。本文提出了一种新颖的 SSDA 方法，即具有邻域扩展的跨域 Mixup (IDMNE)，以解决此问题。首先，我们引入了一种跨域特征对齐策略，即跨域 Mixup，将标签信息纳入模型适应中。具体而言，我们采用样本级和流形级数据混合来生成兼容的训练样本。这些新建立的样本结合了可靠且实际的标签信息，展现出跨域的多样性和兼容性，而这种额外的监督从而促进了跨域特征对齐并缓解了标签不匹配。此外，我们利用邻域扩展来利用目标域中的高置信度伪标签样本，使目标域的标签信息多样化，从而进一步提高适应模型的性能。因此，所提出的方法优于现有的 SOTA 方法，在流行的 SSDA 基准（包括 DomainNet、Office-Home 和 Office-31）上取得了显著的准确率提升。
引用
@article{arxiv.2401.11453,
title = {Inter-Domain Mixup for Semi-Supervised Domain Adaptation},
author = {Jichang Li and Guanbin Li and Yizhou Yu},
journal= {arXiv preprint arXiv:2401.11453},
year = {2024}
}
备注
Publisted to Elsevier PR2024, available at https://www.sciencedirect.com/science/article/pii/S0031320323007203?via%3Dihub