面向开放集领域适应的渐进式图学习
计算机视觉与模式识别
2020-07-01 v2 机器学习
机器学习
摘要
领域偏移是视觉识别中的一个基本问题，通常源于源数据和目标数据服从不同的分布。解决该问题的现有领域适应方法通常在闭集设定下工作，假设源数据和目标数据具有完全相同的对象类别。在本文中，我们处理一个更现实的开放集领域偏移问题，其中目标数据包含源数据中不存在的额外类别。更具体地，我们引入了一个端到端的渐进式图学习（PGL）框架，其中集成了采用情景训练的图神经网络以抑制潜在的条件偏移，并采用对抗学习来缩小源分布和目标分布之间的差距。与现有的开放集适应方法相比，我们的方法保证达到更紧的目标误差上界。在三个标准开放集基准上的大量实验表明，我们的方法在开放集领域适应中显著优于现有先进方法。
引用
@article{arxiv.2006.12087,
title = {Progressive Graph Learning for Open-Set Domain Adaptation},
author = {Yadan Luo and Zijian Wang and Zi Huang and Mahsa Baktashmotlagh},
journal= {arXiv preprint arXiv:2006.12087},
year = {2020}
}