论微调深度特征在无监督域适应中的应用
计算机视觉与模式识别
2022-10-26 v1
摘要
先前基于特征变换的无监督域适应（UDA）方法采用预训练深度模型提取的深度特征，而不针对特定源域或目标域数据对模型进行微调以完成特定域适应任务。相比之下，基于端到端学习的方法同时优化预训练主干网络与定制适应模块，以学习用于 UDA 的域不变特征。本工作中，我们探索结合微调特征与基于特征变换的 UDA 方法以提升域适应性能的潜力。具体而言，我们将流行的渐进式伪标注技术集成到微调框架中，以提取微调特征，随后将其用于最先进的基于特征变换的域适应方法 SPL（Selective Pseudo-Labeling，选择性伪标注）。我们使用包括 ResNet-50/101 与 DeiT-small/base 在内的多种深度模型进行了充分实验，表明微调特征与 SPL 的结合能在多个基准数据集上取得最先进的性能。
引用
@article{arxiv.2210.14083,
title = {On Fine-Tuned Deep Features for Unsupervised Domain Adaptation},
author = {Qian Wang and Toby P. Breckon},
journal= {arXiv preprint arXiv:2210.14083},
year = {2022}
}