面向无监督域适应的渐进式特征对齐
计算机视觉与模式识别
2019-05-21 v2 机器学习
摘要
无监督域适应（UDA）将知识从标签丰富的源域迁移到完全无标签的目标域。为处理该任务，近期方法借助伪标签进行判别性域迁移，以强制源域和目标域之间的类级分布对齐。然而，这些方法易受错误累积的影响，且由于伪标签精度无法得到显式保证，无法保持跨域类别一致性。本文中，我们提出渐进式特征对齐网络（PFAN），通过利用目标域中的类内差异，渐进且有效地跨域对齐判别性特征。具体而言，我们首先开发易到难迁移策略（EHTS）与自适应原型对齐（APA）步骤，以迭代且交替的方式训练模型。此外，基于观察到良好的域适应通常需要非饱和的源分类器，我们考虑一种简单而高效的方法，通过进一步在软最大化函数中引入温度变量来延缓源分类损失的收敛速度。大量实验结果表明，所提出的 PFAN 在三个 UDA 数据集上超越了最先进的性能。
引用
@article{arxiv.1811.08585,
title = {Progressive Feature Alignment for Unsupervised Domain Adaptation},
author = {Chaoqi Chen and Weiping Xie and Wenbing Huang and Yu Rong and Xinghao Ding and Yue Huang and Tingyang Xu and Junzhou Huang},
journal= {arXiv preprint arXiv:1811.08585},
year = {2019}
}
备注
Accepted by CVPR 2019