面向开放集域自适应的混合专家模型：一种双空间检测方法
计算机视觉与模式识别
2024-10-28 v2 机器学习
摘要
开放集域自适应（OSDA）旨在同时应对源域与目标域之间的分布偏移与标签偏移，对已知类进行准确分类，同时识别目标域中的未知类样本。大多数现有OSDA方法依赖于深度模型的最终图像特征空间，需要手动调整的阈值，且易将未知样本误分类为已知类。混合专家模型（MoE）或可成为补救之道。在MoE中，不同专家处理不同的输入特征，在路由特征空间中为各类别生成独特的专家路由模式。因此，未知类样本可能展现出与已知类不同的专家路由模式。本文中，我们提出双空间检测（Dual-Space Detection），利用图像特征空间与路由特征空间之间的不一致性，在无任何阈值的情况下检测未知类样本。进一步引入图路由器（Graph Router）以更好地利用图像块之间的空间信息。在三个不同数据集上的实验验证了我们所提方法的有效性与优越性。
引用
@article{arxiv.2311.00285,
title = {Mixture-of-Experts for Open Set Domain Adaptation: A Dual-Space Detection Approach},
author = {Zhenbang Du and Jiayu An and Yunlu Tu and Jiahao Hong and Dongrui Wu},
journal= {arXiv preprint arXiv:2311.00285},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication