面向部分域自适应的目标域特定分类器学习
计算机视觉与模式识别
2020-08-26 v1
摘要
无监督域自适应（UDA）旨在将知识从有标签的源域迁移到无标签的目标域时减小分布差异。以往的 UDA 方法假设源域和目标域共享相同的标签空间，这在实际中并不现实，因为目标域的标签信息是不可知的。本文关注一种更实际的 UDA 场景，即部分域自适应（PDA），其中目标标签空间被源标签空间所包含。在 PDA 场景下，源域中不存在于目标域的离群类可能被错误地匹配到目标域（技术上称为负迁移），导致 UDA 方法性能下降。本文提出一种新颖的基于目标域特定分类器学习的域自适应（TSCDA）方法。TSCDA 提出一种软加权最大均值差异准则来部分对齐特征分布并缓解负迁移。同时，它利用伪标签和多个辅助分类器为目标域学习一个目标特定分类器，以进一步解决分类器偏移问题。一个名为同伴辅助学习的模块被用于最小化多个目标特定分类器之间的预测差异，使分类器对目标域更具判别力。在三个 PDA 基准数据集上进行的大量实验表明，TSCDA 以较大优势优于其他最先进的方法，例如在 Office-31 和 Office-Home 上平均分别高出 和 。
引用
@article{arxiv.2008.10785,
title = {Learning Target Domain Specific Classifier for Partial Domain Adaptation},
author = {Chuan-Xian Ren and Pengfei Ge and Peiyi Yang and Shuicheng Yan},
journal= {arXiv preprint arXiv:2008.10785},
year = {2020}
}