用于半监督域适应的松弛条件图像迁移
计算机视觉与模式识别
2021-01-06 v1 机器学习
摘要
半监督域适应（SSDA）旨在借助完全标注的源域，在部分标注的目标域中学习模型，近年来受到越来越多的关注。为显式利用两域中的标注数据，我们自然地引入条件 GAN 框架，在 SSDA 中迁移图像而不改变其语义。然而，我们发现了该方法中的标签主导问题。事实上，生成器倾向于忽略输入的源图像，仅记忆每一类的原型，导致适应性能不佳。为此，我们提出一种简单而有效的松弛条件 GAN（Relaxed cGAN）框架。具体而言，我们将不带标签的图像输入生成器。这样，生成器必须推断输入数据的语义信息。我们形式化证明了其均衡是理想的，并通过实验验证其在图像迁移中的实际收敛性与有效性。此外，我们提出若干技术以利用目标域中的无标注数据，增强 SSDA 设定下的模型。我们在广泛采用的数据集 Digits、DomainNet 与 Office-Home 上验证了方法。我们在低资源与高资源设定下于 DomainNet、Office-Home 及大多数数字基准上取得了 SOTA 性能。
引用
@article{arxiv.2101.01400,
title = {Relaxed Conditional Image Transfer for Semi-supervised Domain Adaptation},
author = {Qijun Luo and Zhili Liu and Lanqing Hong and Chongxuan Li and Kuo Yang and Liyuan Wang and Fengwei Zhou and Guilin Li and Zhenguo Li and Jun Zhu},
journal= {arXiv preprint arXiv:2101.01400},
year = {2021}
}