基于最近邻深度聚类的无源数据无监督域适应
计算机视觉与模式识别
2021-08-04 v2 人工智能
摘要
在经典的无监督域适应（UDA）设定中，训练阶段可使用带标签的源数据。然而，在许多真实场景中，出于隐私保护、信息安全等原因，源数据不可访问，仅能获得在源域上训练好的模型。本文针对这一极具挑战性的任务提出一种新颖的深度聚类方法。为实现特征层面的动态聚类，我们引入隐藏于数据间几何结构中的额外约束以辅助该过程。具体而言，我们提出一种基于几何的约束，称为最近邻语义一致性（SCNNH），并用以促使鲁棒聚类。为此，我们为每个目标数据构建最近邻，并将其作为基本聚类单元，在我们的目标函数中基于该几何结构建立。此外，我们开发了更具SCNNH合规性的结构，并带有额外的语义可信度约束，称为语义超最近邻（SHNNH）。随后，我们将方法扩展至这一新几何结构。在三个具挑战性的UDA数据集上的大量实验表明，我们的方法取得了最先进的（SOTA）结果。所提方法在所有数据集上均有显著提升（采用SHNNH后，大规模数据集上平均准确率提升超3.0%）。代码见 https://github.com/tntek/N2DCX。
引用
@article{arxiv.2107.12585,
title = {Nearest Neighborhood-Based Deep Clustering for Source Data-absent Unsupervised Domain Adaptation},
author = {Song Tang and Yan Yang and Zhiyuan Ma and Norman Hendrich and Fanyu Zeng and Shuzhi Sam Ge and Changshui Zhang and Jianwei Zhang},
journal= {arXiv preprint arXiv:2107.12585},
year = {2021}
}