面向无监督域适应的伪标签课程学习
计算机视觉与模式识别
2019-08-02 v1
摘要
为学习目标判别性表示，使用伪标签是无监督域适应中一种简单而有效的方法。然而，错误伪标签的存在可能对学习目标表示产生不利影响，这仍是一个主要挑战。为克服该问题，我们提出了一种基于密度聚类算法的伪标签课程。由于高密度值的样本更可能具有正确的伪标签，我们在早期阶段利用这些子集训练目标网络，并在后期阶段使用低密度值的数据子集。我们可以逐步提升网络生成伪标签的能力，因此这些带伪标签的目标样本对训练模型是有效的。此外，我们提出了一种聚类约束以增强所学目标特征的判别能力。我们的方法在三个基准数据集 Office-31、imageCLEF-DA 和 Office-Home 上取得了最先进的性能。
引用
@article{arxiv.1908.00262,
title = {Pseudo-Labeling Curriculum for Unsupervised Domain Adaptation},
author = {Jaehoon Choi and Minki Jeong and Taekyung Kim and Changick Kim},
journal= {arXiv preprint arXiv:1908.00262},
year = {2019}
}
备注
Accepted to British Machine Vision Conference (BMVC) 2019