用于具有目标偏移的无监督域适应的部分共享变分自编码器
计算机视觉与模式识别
2020-01-28 v3
摘要
本文提出一种用于具有目标偏移的无监督域适应（UDA）的新方法。目标偏移是源域与目标域之间标签分布不匹配的问题。通常它表现为目标域中的类不平衡。在实践中，这是 UDA 中的一个重要问题；由于我们不知道目标域数据集中的标签，我们不知道其分布是否与源域数据集中的分布相同。许多传统方法通过最小化均值最大差异或对抗训练来实现分布匹配的 UDA；然而这些方法隐式假设分布一致，在目标偏移情况下无法工作。一些近期的 UDA 方法关注类边界，其中部分对目标偏移具有鲁棒性，但它们仅适用于分类而不适用于回归。为克服 UDA 中的目标偏移问题，所提方法——部分共享变分自编码器（PS-VAEs）——使用成对特征对齐而非特征分布匹配。PS-VAEs 通过基于 CycleGAN 的架构转换每个样本的领域，同时保留其标签相关内容。为评估 PS-VAEs 的性能，我们进行了两个实验：使用类不平衡数字数据集的 UDA（分类），以及从合成数据到人体姿态估计中真实观测的 UDA（回归）。所提方法在分类任务中展现了对类不平衡的鲁棒性，并在回归任务中以较大优势优于其他方法。
引用
@article{arxiv.2001.07895,
title = {Partially-Shared Variational Auto-encoders for Unsupervised Domain Adaptation with Target Shift},
author = {Ryuhei Takahashi and Atsushi Hashimoto and Motoharu Sonogashira and Masaaki Iiyama},
journal= {arXiv preprint arXiv:2001.07895},
year = {2020}
}