面向半监督源假设迁移的一致性多样性不变表示学习
计算机视觉与模式识别
2021-07-21 v2
摘要
半监督域适应（SSDA）旨在利用从可用源域学到的可迁移信息及少量有标注目标数据来解决目标域中的任务。然而，源数据在实际场景中并非总可获取，这限制了 SSDA 在真实环境中的应用。本文提出一项新任务，称为半监督源假设迁移（SSHT），其基于源训练模型执行域适应，以在少量监督下于目标域取得良好泛化。在 SSHT 中，我们面临两个挑战：(1) 不充分的有标注目标数据可能导致目标特征靠近决策边界，增加误分类风险；(2) 源域中数据通常不平衡，故用这些数据训练的模型存在偏置。有偏模型易将少数类样本分类为多数类，导致预测多样性低。为应对上述问题，我们提出一致性与多样性学习（CDL），一种简单而有效的 SSHT 框架，通过促进两个随机增强无标注数据间预测一致性，并在将模型适配至目标域时保持预测多样性。鼓励一致性正则化给记忆少量有标注目标数据带来困难，从而增强所学模型的泛化能力。我们进一步将批核范数最大化整合进方法中以增强判别力与多样性。实验结果表明，我们的方法在 DomainNet、Office-Home 与 Office-31 数据集上优于现有 SSDA 方法与无监督模型适应方法。代码见 https://github.com/Wang-xd1899/SSHT。
引用
@article{arxiv.2107.03008,
title = {Learning Invariant Representation with Consistency and Diversity for Semi-supervised Source Hypothesis Transfer},
author = {Xiaodong Wang and Junbao Zhuo and Shuhao Cui and Shuhui Wang},
journal= {arXiv preprint arXiv:2107.03008},
year = {2021}
}
备注
10 pages, 4 figures