多源少样本域适应
计算机视觉与模式识别
2021-09-28 v1 人工智能
机器学习
摘要
多源域适应（MDA）旨在将预测模型从多个完全标注的源域迁移至未标注的目标域。然而，在许多应用中，相关的标注源数据集可能并不可用，且收集源标注的成本可能与标注目标数据本身一样高昂。本文研究多源少样本域适应（MFDA）：一种具有有限多源标注与未标注目标数据的新域适应场景。如我们所展示的，现有方法在 MFDA 设定下常无法为源域与目标域学习到判别性特征。因此，我们提出了一种称为多源少样本适应网络（MSFAN）的新框架，其可以非对抗方式端到端训练。MSFAN 首先使用一种原型化、多域、自监督学习来学习不仅域不变而且类判别的特征。其次，MSFAN 使用小型标注支持集来强化跨域的特征一致性与域不变性。最后，利用来自多源的原型学习更好的分类器。与最先进的 MDA 方法相比，MSFAN 在 Office、Office-Home 和 DomainNet 上分别将 MFDA 不同域对间的平均分类准确率提升了 20.2%、9.4% 和 16.2%。
引用
@article{arxiv.2109.12391,
title = {Multi-source Few-shot Domain Adaptation},
author = {Xiangyu Yue and Zangwei Zheng and Colorado Reed and Hari Prasanna Das and Kurt Keutzer and Alberto Sangiovanni Vincentelli},
journal= {arXiv preprint arXiv:2109.12391},
year = {2021}
}