跨域对齐中通过镜像样本减小协变量偏移
计算机视觉与模式识别
2022-03-01 v2
摘要
消除跨域的协变量偏移是处理视觉无监督域适应中域偏移问题的常用方法之一。然而，当前的对齐方法，尤其是基于原型或基于样本级的方法，忽视了底层分布的结构特性，甚至破坏了协变量偏移的条件。为缓解这些局限与冲突，我们引入一个名为（虚拟）镜像的新概念，其表示另一域中的等价样本。这些等价样本对称为镜像对，反映了经验分布的自然对应关系。随后构造一个跨域对齐镜像对的镜像损失，以增强域的对齐。所提方法不会扭曲底层分布的内部结构。我们还提供理论证明：镜像样本与镜像损失在减小域偏移方面具有更好的渐近性质。通过将虚拟镜像与镜像损失应用于通用无监督域适应模型，我们在多个主流基准上取得了一致更优的性能。代码见 https://github.com/CTI-VISION/Mirror-Sample
引用
@article{arxiv.2110.06448,
title = {Reducing the Covariate Shift by Mirror Samples in Cross Domain Alignment},
author = {Yin Zhao and Minquan Wang and Longjun Cai},
journal= {arXiv preprint arXiv:2110.06448},
year = {2022}
}
备注
Accept by NeurIPS 2021