学习发现知识：弱监督部分域适应方法
计算机视觉与模式识别
2024-06-21 v1 机器学习
摘要
域适应通过利用来自源域丰富标注的数据展示了引人注目的性能。然而，对于特定目标任务，收集相关且高质量的源域数据往往不便。在现实场景中，容易收集带有噪声标签的大规模数据集， 推动了自动识别需求增长，尤其是针对弱监督部分域适应 (WS-PDA)，该方法将来自带噪声标签大源域的分类器迁移到小型无标签目标域。因此， WS-PDA 的关键议题是：1)如何充分发现来自带噪声标注源域和无标签目标域的知识，以及 2)如何成功跨域迁移所学知识。本文提出一种简单而有效的域适应方法，称为自慢传递分类器学习 (SP-TCL)，以解决上述问题， 可被视为几类通用域适应任务的高性能基线。该模型建立在自慢学习框架之上， seeking 为目标域寻找优异分类器。具体而言，SP-TCL 通过精心设计的谨慎损失函数学习可靠知识，并通过迭代方式在自慢风格下 排除源域样本来适应所学知识至目标域。多个基准数据集上的广泛评估表明，SP-TCL 在几类通用域适应任务上显著优于最新方法。
引用
@article{arxiv.2406.14274,
title = {Learning to Discover Knowledge: A Weakly-Supervised Partial Domain Adaptation Approach},
author = {Mengcheng Lan and Min Meng and Jun Yu and Jigang Wu},
journal= {arXiv preprint arXiv:2406.14274},
year = {2024}
}
备注
Accepted to TIP 2024. Code available: https://github.com/mc-lan/SP-TCL