具有语义一致性的开放集假设迁移
计算机视觉与模式识别
2021-09-08 v1 机器学习
摘要
无监督开放集域适应（UODA）是一个现实问题，其中无标签目标数据包含未知类。先前方法依赖源域和目标域数据共存以进行域对齐，当源域数据因隐私问题受限时，这极大限制了其应用。本文针对 UODA 中具有挑战性的假设迁移设定，其中在目标域适应过程中不再有源域数据可用。我们引入一种关注目标数据变换下语义一致性的方法，这是以往域适应方法很少重视的。具体而言，我们的模型首先发现高置信度预测并以伪标签进行分类。然后我们强制模型对语义相似输入输出一致且确定的预测。因此，无标签数据可被分类为与源类或未知类相符的判别性类别。实验结果表明，我们的模型在 UODA 基准上优于当前最优（state-of-the-art）方法。
引用
@article{arxiv.2010.00292,
title = {Open-Set Hypothesis Transfer with Semantic Consistency},
author = {Zeyu Feng and Chang Xu and Dacheng Tao},
journal= {arXiv preprint arXiv:2010.00292},
year = {2021}
}