用于有序无监督域适应的递归条件高斯
计算机视觉与模式识别
2021-08-19 v2 人工智能
机器学习
摘要
无监督域适应（UDA）已被广泛采用以缓解数据可扩展性问题，而现有工作通常聚焦于独立离散标签的分类。然而，在许多任务（如医学诊断）中，标签是离散且连续分布的。有序分类的UDA需要向潜空间诱导非平凡的有序分布先验。为此，定义偏序集（poset）以约束潜向量。不同于典型的独立同分布高斯潜先验，本工作采用递归条件高斯（RCG）集进行有序约束建模，其允许一个易处理的联合分布先验。此外，我们能够通过简单的“三西格玛规则”控制违反poset约束的内容向量密度。我们将跨域图像显式解耦为一个共享的、由有序先验诱导的有序内容空间以及两个独立的源/目标有序无关空间，并且自训练仅在共享空间上进行，以实现有序感知的域对齐。在UDA医学诊断与面部年龄估计上的大量实验证明了其有效性。
引用
@article{arxiv.2107.13467,
title = {Recursively Conditional Gaussian for Ordinal Unsupervised Domain Adaptation},
author = {Xiaofeng Liu and Site Li and Yubin Ge and Pengyi Ye and Jane You and Jun Lu},
journal= {arXiv preprint arXiv:2107.13467},
year = {2021}
}
备注
Accepted to ICCV 2021 (Oral)