面向通用域适应的最小类混淆方法
机器学习
2020-08-11 v3 计算机视觉与模式识别
机器学习
摘要
受制于标签集与域配置,存在多种域适应(Domain Adaptation, DA)场景,包括闭集与部分集DA,以及多源与多目标DA。值得注意的是,现有DA方法通常仅针对特定场景设计,对于非其定制场景可能表现不佳。为此,本文研究通用域适应(Versatile Domain Adaptation, VDA),即一种无需任何修改即可处理若干不同DA场景的方法。为实现该目标,应探索除域对齐之外更具一般性的归纳偏置。我们深入探究了现有方法缺失的一环:类混淆(class confusion),即分类器对目标样本在正确类与模糊类之间预测趋于混淆的倾向,这在不同的DA场景中普遍存在。我们揭示,降低此类成对类混淆可带来显著的迁移增益。基于该洞见,我们提出一种通用损失函数:最小类混淆(Minimum Class Confusion, MCC)。其特点可概括为(1)一种非对抗的DA方法,无需显式部署域对齐,具有更快的收敛速度;(2)一种可处理四种现有场景的通用方法:闭集、部分集、多源与多目标DA,在这些场景中优于state-of-the-art方法,尤其在迄今最大且最难的数据集之一(DomainNet上7.3%)上表现突出。其通用性由本文提出的两种场景进一步佐证:多源部分DA与多目标部分DA。此外,它还可作为通用正则化器,与多种现有DA方法正交且互补,加速收敛并将这些本已具竞争力的方法推向更强。代码见 https://github.com/thuml/Versatile-Domain-Adaptation。
引用
@article{arxiv.1912.03699,
title = {Minimum Class Confusion for Versatile Domain Adaptation},
author = {Ying Jin and Ximei Wang and Mingsheng Long and Jianmin Wang},
journal= {arXiv preprint arXiv:1912.03699},
year = {2020}
}
备注
Accepted by ECCV2020