为无监督域适应建模层次结构距离
计算机视觉与模式识别
2024-04-22 v2
摘要
无监督域适应（UDA）旨在利用有标签的源数据，为无标签目标域估计可迁移模型。基于最优传输（OT）的方法近期被证明是 UDA 的一种有前景的解决方案，具有坚实的理论基础和竞争性能。然而，大多数这些方法仅关注域级 OT 对齐，通过利用基于图像全局嵌入的域几何来提取域不变特征。但图像的全局表示可能破坏图像结构，导致丢失提供类别判别信息的局部细节。本研究提出一种端到端的深度层次最优传输方法（DeepHOT），旨在通过挖掘域间层次结构关系来学习域不变和类别判别表示。其核心思想是将域级 OT 和图像级 OT 纳入统一的 OT 框架——层次最优传输，以建模域空间和图像空间中的底层几何。在 DeepHOT 框架中，图像级 OT 作为域级 OT 的地面距离度量，形成层次结构距离。与常规域级 OT 的地面距离相比，图像级 OT 捕获图像局部区域间有益于分类的结构关联。由此，DeepHOT 这一统一 OT 框架不仅通过域级 OT 对齐域，还通过图像级 OT 增强判别能力。此外，为克服高计算复杂度的局限，我们提出一种鲁棒且高效的 DeepHOT 实现，在图像级 OT 中用切片 Wasserstein 距离近似原始 OT，并完成小批量非平衡域级 OT。
引用
@article{arxiv.2211.11424,
title = {Modeling Hierarchical Structural Distance for Unsupervised Domain Adaptation},
author = {Yingxue Xu and Guihua Wen and Yang Hu and Pei Yang},
journal= {arXiv preprint arXiv:2211.11424},
year = {2024}
}
备注
accepted by TCVST, code: https://github.com/Innse/DeepHOT