用于无监督关键点检测的逆回归域适应
计算机视觉与模式识别
2021-06-07 v2 机器学习
摘要
域适应（DA）旨在将知识从有标签的源域迁移到无标签的目标域。尽管已提出许多 DA 理论与算法，但其中大多数针对分类设定，可能在回归任务中失效，尤其是在实际的关键点检测任务中。为应对这一困难但重要的任务，我们提出一种用于无监督关键点检测的逆回归域适应（RegDA）方法。受最新理论工作启发，我们首先利用对抗回归器最大化目标域上的差异，并训练特征生成器以最小化该差异。然而，由于输出空间维度高，该回归器无法检测偏离源域支撑集的样本。为克服此问题，我们提出两个重要思路。第一，基于我们对输出空间概率密度稀疏的观察，引入空间概率分布描述该稀疏性，并用以引导对抗回归器的学习。第二，为缓解高维空间中的优化困难，我们创新性地将对抗训练中的极小极大博弈转化为两个相反目标的最小化。大量实验表明，我们的方法在不同数据集上以 PCK 衡量带来了 8% 至 11% 的大幅提升。
引用
@article{arxiv.2103.06175,
title = {Regressive Domain Adaptation for Unsupervised Keypoint Detection},
author = {Junguang Jiang and Yifei Ji and Ximei Wang and Yufeng Liu and Jianmin Wang and Mingsheng Long},
journal= {arXiv preprint arXiv:2103.06175},
year = {2021}
}
备注
CVPR 2021