面向通用域适应的记忆辅助子原型挖掘
计算机视觉与模式识别
2024-02-07 v3
摘要
通用域适应旨在对齐类别并缩小源域与目标域中同一类别的特征差距。目标私有类别在适应过程中被设为未知类，因其未包含在源域中。然而，大多数现有方法忽视了类别内的结构，尤其在属于同一类别的样本间存在显著概念偏移的情况下。当概念偏移大的样本被强行推到一起时，可能对适应性能产生负面影响。此外，从可解释性角度看，将差异显著的视觉特征（如战斗机和民用飞机）对齐至同一类别是不合理的。遗憾的是，由于此类语义模糊性与标注成本，类别并非总被细致划分，使模型难以进行精确适应。为解决这些问题，我们提出一种新颖的记忆辅助子原型挖掘（MemSPM）方法，可在同一类别样本间存在显著概念偏移时学习其差异并挖掘子类。借此，我们的模型习得更合理的特征空间，增强了可迁移性并反映了标注为同一类别的样本间固有差异。我们在多种场景下评估了 MemSPM 方法的有效性，包括 UniDA、OSDA 和 PDA。我们的方法在大多数情况下于四个基准上取得了 SOTA 性能。
引用
@article{arxiv.2310.05453,
title = {Memory-Assisted Sub-Prototype Mining for Universal Domain Adaptation},
author = {Yuxiang Lai and Yi Zhou and Xinghong Liu and Tao Zhou},
journal= {arXiv preprint arXiv:2310.05453},
year = {2024}
}
备注
Accepted by The International Conference on Learning Representations (ICLR) 2024