面向半监督域适应的多级一致性学习
计算机视觉与模式识别
2022-06-29 v3
摘要
半监督域适应(SSDA)旨在将全标注源域上学到的知识应用于仅少量标注的目标域。本文提出一种用于SSDA的多级一致性学习(MCL)框架。具体而言,我们的MCL在三个层面对目标域样本的不同视图一致性进行正则化:(i)在域间层面,我们利用基于原型的最优传输方法,发挥目标样本不同视图的优劣,稳健且精确地对齐源域和目标域;(ii)在域内层面,我们通过提出一种新颖的按类对比聚类损失,促进判别性强且紧凑的目标特征表示的学习;(iii)在样本层面,我们遵循标准做法,通过基于一致性的自训练提升预测准确率。在实验中,我们在VisDA2017、DomainNet和Office-Home三个常用SSDA基准上验证了MCL框架的有效性,实验结果表明我们的MCL框架达到了最先进的性能。
引用
@article{arxiv.2205.04066,
title = {Multi-level Consistency Learning for Semi-supervised Domain Adaptation},
author = {Zizheng Yan and Yushuang Wu and Guanbin Li and Yipeng Qin and Xiaoguang Han and Shuguang Cui},
journal= {arXiv preprint arXiv:2205.04066},
year = {2022}
}
备注
IJCAI 2022