最优传输结合噪声标签鲁棒损失与 MixUp 正则化用于域适应
计算机视觉与模式识别
2022-06-23 v1 机器学习
机器学习
摘要
在计算机视觉中经常会遇到域偏移：具有相同类别但采集条件不同的图像。在域适应（DA）中，人们希望利用有标签的源图像对无标签的目标图像进行分类。遗憾的是，在源训练集上训练的深度神经网络在不属于训练域的目标图像上表现不佳。一种提升这些性能的策略是使用最优传输（OT）在嵌入空间中对齐源图像与目标图像分布。然而 OT 可能导致负迁移，即对齐具有不同标签的样本，这会造成过拟合，尤其在域间存在标签偏移时。在本工作中，我们将负对齐解释为目标图像的噪声标签分配，从而缓解其影响。我们提出将 MixUp 正则化 \citep{zhang2018mixup} 与对噪声标签鲁棒的损失相结合，以提升域适应性能。我们通过广泛的消融实验表明，两种技术的结合对取得改进性能至关重要。最后，我们在多个基准与真实世界 DA 问题上评估了称为 \textsc{mixunbot} 的方法。
引用
@article{arxiv.2206.11180,
title = {Optimal transport meets noisy label robust loss and MixUp regularization for domain adaptation},
author = {Kilian Fatras and Hiroki Naganuma and Ioannis Mitliagkas},
journal= {arXiv preprint arXiv:2206.11180},
year = {2022}
}