OVANet：面向通用域自适应的一对全网络
计算机视觉与模式识别
2021-08-25 v4
摘要
通用域自适应（UNDA）旨在处理两个数据集之间的域偏移与类别偏移，其主要挑战在于迁移知识的同时拒斥未知类——这些类在带标签的源数据中缺失，却出现在无标签的目标数据中。现有方法基于验证或预定义的未知样本比例手动设定阈值以拒斥未知样本，但该策略并不实用。本文中，我们提出一种利用源样本学习阈值并将其适配到目标域的方法。我们的思路是，源域中的最小类间距离应可作为判定目标域中已知或未知的良好阈值。为学习类间与类内距离，我们提出利用带标签的源数据为每一类训练一个一对全分类器。随后，我们通过最小化类熵将该开集分类器适配至目标域。所得框架是所有 UNDA 基线中最简单的，且对超参数取值不敏感，却以较大优势优于基线。
引用
@article{arxiv.2104.03344,
title = {OVANet: One-vs-All Network for Universal Domain Adaptation},
author = {Kuniaki Saito and Kate Saenko},
journal= {arXiv preprint arXiv:2104.03344},
year = {2021}
}
备注
Accepted by ICCV2021 [Code](https://github.com/VisionLearningGroup/OVANet)