基于损失的序贯学习用于主动域适应
计算机视觉与模式识别
2022-04-26 v1
摘要
主动域适应（ADA）的研究主要聚焦于查询选择，同时沿用已有的域适应策略。然而，我们认为不仅需要考虑查询选择准则，还需考虑为ADA场景设计的域适应策略。本文引入了一种同时考虑域类型（源/目标）或标签性（有标签/无标签）的序贯学习。我们首先仅在通过基于损失的查询选择获得的有标签目标样本上训练模型。当基于损失的查询选择在域偏移下应用时，无用的高损失样本逐渐增多，且有标签样本的多样性变低。为解决这些问题，我们通过利用损失预测来充分利用无标签目标域的伪标签。我们进一步鼓励伪标签具有低自熵和多样的类分布。我们的模型在各种基准数据集上显著优于先前的方法以及基线模型。
引用
@article{arxiv.2204.11665,
title = {Loss-based Sequential Learning for Active Domain Adaptation},
author = {Kyeongtak Han and Youngeun Kim and Dongyoon Han and Sungeun Hong},
journal= {arXiv preprint arXiv:2204.11665},
year = {2022}
}
备注
11 pages, 7 figures, 7 tables