MLNet：用于通用领域自适应的具有邻域不变性的互学习网络
计算机视觉与模式识别
2024-02-29 v4
摘要
通用领域自适应（UniDA）是一个实用但具有挑战性的问题，其中源域和目标域之间的关系信息未提供用于知识迁移。现有的UniDA方法可能面临忽略目标域内类内变化以及难以分离相似的已知类和未知类的问题。为了解决这些问题，我们提出了一种新颖的用于UniDA的具有邻域不变性的互学习网络（MLNet）。在我们的方法中，设计了具有自适应邻居选择的置信度引导不变特征学习，以减少域内变化，获得更具泛化能力的特征表示。通过使用跨域混合方案来更好地识别未知类，所提出的方法通过在闭集和开集分类器之间的互学习来补偿错误识别的已知类错误。在三个公开基准数据集上的大量实验表明，与最先进的方法相比，我们的方法在大多数情况下取得了最佳结果，并且在UniDA的所有四种设置中都显著优于基线。代码可在 https://github.com/YanzuoLu/MLNet 获取。
引用
@article{arxiv.2312.07871,
title = {MLNet: Mutual Learning Network with Neighborhood Invariance for Universal Domain Adaptation},
author = {Yanzuo Lu and Meng Shen and Andy J Ma and Xiaohua Xie and Jian-Huang Lai},
journal= {arXiv preprint arXiv:2312.07871},
year = {2024}
}
备注
Accepted by AAAI 2024 (Poster)