注意鸿沟：在开放集域适应中扩大域间隙
计算机视觉与模式识别
2020-03-11 v2
摘要
无监督域适应旨在利用源域的标注数据学习用于未标注目标域的分类器。在其众多变体中，开放集域适应（OSDA）或许最具挑战性，因为它进一步假设目标域中存在未知类。本文研究 OSDA，特别关注增强其跨越更大域间隙的能力。首先，我们表明现有的最先进方法在更大域间隙存在时性能显著下降，尤其是在我们重新用于 OSDA 的新数据集（PACS）上。然后我们提出一种新颖框架专门解决更大的域间隙。关键洞见在于我们如何利用两个网络之间的互利信息：（a）分离已知类和未知类的样本，（b）在没有未知样本影响的情况下最大化源域和目标域之间的域混淆。由此（a）和（b）将相互监督并交替直至收敛。在 Office-31、Office-Home 和 PACS 数据集上进行了大量实验，证明了我们的方法相对于其他最先进方法的优越性。代码见 https://github.com/dongliangchang/Mutual-to-Separate/
引用
@article{arxiv.2003.03787,
title = {Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation},
author = {Dongliang Chang and Aneeshan Sain and Zhanyu Ma and Yi-Zhe Song and Jun Guo},
journal= {arXiv preprint arXiv:2003.03787},
year = {2020}
}