面向少样本无监督域适应的原型跨域自监督学习
计算机视觉与模式识别
2021-04-01 v1
摘要
无监督域适应(UDA)将预测模型从完全标注的源域迁移至未标注的目标域。然而在某些应用中，即便在源域收集标注也十分昂贵，使得以往多数工作难以实用。为应对该问题，近期工作采用逐实例的跨域自监督学习，并辅以额外的微调阶段。但逐实例自监督学习仅学习并对齐低层判别特征。本文提出一种端到端的原型跨域自监督学习(PCS)框架，用于少样本无监督域适应(FUDA)。PCS 不仅进行跨域低层特征对齐，还在跨域共享嵌入空间中对语义结构进行编码与对齐。我们的框架通过域内原型对比学习捕获数据的类别级语义结构，并通过跨域原型自监督实现特征对齐。与最先进方法相比，PCS 在 Office、Office-Home、VisDA-2017 和 DomainNet 上分别将 FUDA 不同域对间的平均分类准确率提升了 10.5%、3.5%、9.0% 和 13.2%。项目主页见 http://xyue.io/pcs-fuda/index.html
引用
@article{arxiv.2103.16765,
title = {Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation},
author = {Xiangyu Yue and Zangwei Zheng and Shanghang Zhang and Yang Gao and Trevor Darrell and Kurt Keutzer and Alberto Sangiovanni Vincentelli},
journal= {arXiv preprint arXiv:2103.16765},
year = {2021}
}
备注
CVPR 2021