回归任务中领域自适应的风格化是否必需基于生成建模？
计算机视觉与模式识别
2023-06-05 v1 人工智能
机器学习
摘要
无监督领域自适应（UDA）旨在利用两类主要技术弥补源域与目标域间的差距：输入级对齐（如生成建模与风格化）与特征级对齐（匹配特征图分布，例如梯度反转层）。受生成建模在图像分类中成功的启发，近期提出了面向回归任务（如姿态估计）的基于风格化方法。然而，通过生成建模与风格化进行的输入级对齐会带来额外开销与计算复杂度，限制了其在现实 DA 任务中的应用。为探究输入级对齐在 DA 中的作用，我们提出如下问题：回归任务的视觉领域自适应是否必需基于生成建模的风格化？令人惊讶的是，我们发现相较分类，输入对齐对回归任务影响甚微。基于这些见解，我们开发了非参数特征级领域对齐方法——隐式风格化（ImSty）——无需计算密集的风格化与生成建模，即可在 SOTA 回归任务上取得一致改进。在生成建模与风格化也正因领域泛化而日益流行之际，我们的工作对其作用进行了批判性评估。
引用
@article{arxiv.2306.01706,
title = {Is Generative Modeling-based Stylization Necessary for Domain Adaptation in Regression Tasks?},
author = {Jinman Park and Francois Barnard and Saad Hossain and Sirisha Rambhatla and Paul Fieguth},
journal= {arXiv preprint arXiv:2306.01706},
year = {2023}
}