MemSAC：面向大规模无监督域适应的记忆增强样本一致性方法
计算机视觉与模式识别
2023-10-13 v2 人工智能
机器学习
摘要
具有丰富类别的实际现实世界数据集给无监督域适应带来了新的挑战，例如类间可判别性小，现有仅依赖域不变性的方法无法充分应对。本工作中我们提出 MemSAC，其利用源域与目标域间的样本级相似性来实现判别性迁移，并采用可扩展到大量类别的架构。为此，我们首先引入一种记忆增强方法，以高效提取有标签源域与无标签目标域实例间的成对相似性关系，适用于任意数量的类别。接下来，我们提出并从理论上论证了一种对比损失的新变体，以促进类内跨域样本间的局部一致性，同时强制类间分离，从而保持从源域到目标域的判别性迁移。我们在多个专为大规模适应设计的具挑战性的迁移任务上验证了 MemSAC 相对于先前 SOTA 的显著改进，例如含 345 类的 DomainNet 以及含 200 类的 Caltech-UCSD 鸟类细粒度适应数据集。我们还对 MemSAC 的有效性提供了深入分析与时见。
引用
@article{arxiv.2207.12389,
title = {MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation},
author = {Tarun Kalluri and Astuti Sharma and Manmohan Chandraker},
journal= {arXiv preprint arXiv:2207.12389},
year = {2023}
}
备注
Accepted at ECCV 2022. Project Webpage: https://tarun005.github.io/MemSAC/