基于卷积滤波器重建的轻量级无监督域适应
计算机视觉与模式识别
2016-03-24 v1
摘要
端到端学习方法在计算机视觉的许多领域取得了令人印象深刻的成果。同时，这些模型在测试来自不同分布的新数据集时仍然会出现性能下降。这被称为域偏移效应。最近提出的适应方法侧重于重新训练网络参数。然而，这需要访问所有（带标签的）源数据、大量（未带标签的）目标数据以及充足的计算资源。在这项工作中，我们提出了一种轻量级的替代方案，它允许基于有限数量的目标样本在几分钟而非几小时、几天甚至几周内适应目标域。为此，我们首先从域适应的角度分析了每个卷积层的输出。令人惊讶的是，我们发现域偏移效应在非常第一层就出现了。然后我们提出了一种新的域适应方法，其中受域偏移严重影响的第一层卷积滤波器基于受影响较小的滤波器进行重建。这提升了深度网络在各种基准数据集上的性能。
引用
@article{arxiv.1603.07234,
title = {Lightweight Unsupervised Domain Adaptation by Convolutional Filter Reconstruction},
author = {Rahaf Aljundi and Tinne Tuytelaars},
journal= {arXiv preprint arXiv:1603.07234},
year = {2016}
}