轻量校准器：一种用于无监督域适应的可分离组件
计算机视觉与模式识别
2020-03-02 v2 机器学习
图像与视频处理
摘要
现有的域适应方法旨在学习可在域间泛化的特征。这些方法通常要求更新源分类器以适应目标域，且未能妥善处理源域与目标域之间的权衡。本工作中，我们不使用训练分类器以适应目标域，而是采用称为数据校准器的可分离组件，帮助固定的源分类器在目标域中恢复判别能力，同时保持源域性能。当两域差异较小时，源分类器的表征足以在目标域表现良好，并在数字数据上优于基于 GAN 的方法。否则，所提方法可利用 GAN 生成的合成图像提升性能，并在数字数据集与驾驶场景语义分割中取得最先进（state-of-the-art）性能。我们的方法经实证揭示，某些可被对域判别器的对抗攻击缓解的微妙线索，是域偏移下性能退化来源之一。
引用
@article{arxiv.1911.12796,
title = {Light-weight Calibrator: a Separable Component for Unsupervised Domain Adaptation},
author = {Shaokai Ye and Kailu Wu and Mu Zhou and Yunfei Yang and Sia huat Tan and Kaidi Xu and Jiebo Song and Chenglong Bao and Kaisheng Ma},
journal= {arXiv preprint arXiv:1911.12796},
year = {2020}
}
备注
Accepted by CVPR2020