基于图卷积网络的偏域自适应
计算机视觉与模式识别
2020-05-19 v1
摘要
偏域自适应（PDA）假设目标标签空间包含于源标签空间中，是标准域自适应的一种一般形式。由于目标标签空间未知，PDA 的主要挑战是降低不属于目标标签空间的无关源样本（称为离群点）对学习的影响。尽管现有的偏域自适应方法有效地降低了离群点的重要性权重，但它们没有考虑每个域的数据结构，也没有直接对齐源域和目标域中同类别的特征分布，这可能导致类别级分布的对齐错误。为克服这些问题，我们提出了图偏域自适应（GPDA）网络，该网络利用图卷积网络联合考虑数据结构和每个类的特征分布。具体而言，我们提出标签关系图来对齐两域中同一类别的分布，并引入滑动平均质心分离以从标签关系图中学习网络。我们证明了考虑数据结构和每个类别的分布对 PDA 是有效的，并且我们的 GPDA 网络在 Digit 和 Office-31 数据集上取得了最先进的性能。
引用
@article{arxiv.2005.07858,
title = {Partial Domain Adaptation Using Graph Convolutional Networks},
author = {Seunghan Yang and Youngeun Kim and Dongki Jung and Changick Kim},
journal= {arXiv preprint arXiv:2005.07858},
year = {2020}
}