用于类增量无监督域适应的原型引导持续适应方法
计算机视觉与模式识别
2022-08-01 v2
摘要
本文研究了一个新颖、实用但具挑战性的问题，称为类增量无监督域适应（CI-UDA），其中带标签的源域包含所有类别，但未带标签的目标域中的类别按序递增。该问题因两个困难而具挑战性。首先，源域和目标域的标签集在每个时间步不一致，这使得难以进行准确的域对齐。其次，先前的目标类别在当前步不可用，导致先前知识的遗忘。为解决该问题，我们提出了一种新颖的原型引导持续适应（ProCA）方法，包含两种解决策略。1）标签原型识别：我们通过检测目标样本累积预测概率的共享类别来识别目标标签原型。2）基于原型的对齐与重放：基于已识别的标签原型，我们对齐两个域并强制模型保留先前的知识。通过这两种策略，ProCA能够有效将源模型适应到类增量的无标签目标域。大量实验证明了ProCA在解决CI-UDA上的有效性和优越性。源代码可在 https://github.com/Hongbin98/ProCA.git 获取。
引用
@article{arxiv.2207.10856,
title = {Prototype-Guided Continual Adaptation for Class-Incremental Unsupervised Domain Adaptation},
author = {Hongbin Lin and Yifan Zhang and Zhen Qiu and Shuaicheng Niu and Chuang Gan and Yanxia Liu and Mingkui Tan},
journal= {arXiv preprint arXiv:2207.10856},
year = {2022}
}
备注
Accepted by ECCV 2022