通过对抗域适应中基于样本重标注重激活域判别器
计算机视觉与模式识别
2021-08-10 v2
摘要
许多无监督域适应(UDA)方法利用域对抗训练来对齐特征以减小域间隙,其中训练特征提取器以欺骗域判别器,从而获得对齐的特征分布。随着训练进行,域分类器相对于日益对齐的特征分布的判别能力会退化,因而无法有效进一步驱动特征提取器的训练。在本工作中,我们提出一种名为可重激活对抗域适应(RADA)的高效优化策略,旨在通过动态域标签在训练过程中重激活域判别器。具体而言,我们在线将对齐良好的目标域样本重标注为源域样本。这种重标注使得较不可分的特征分布变得更可分,从而相对于新的数据分布得到一个更强大的域分类器,进而进一步驱动特征对齐。在多个UDA基准上的大量实验证明了我们RADA方法的有效性和优越性。
引用
@article{arxiv.2103.11661,
title = {Re-energizing Domain Discriminator with Sample Relabeling for Adversarial Domain Adaptation},
author = {Xin Jin and Cuiling Lan and Wenjun Zeng and Zhibo Chen},
journal= {arXiv preprint arXiv:2103.11661},
year = {2021}
}
备注
Accepted by ICCV2021