数据重定风格：在无监督域适应中的应用
计算机视觉与模式识别
2019-09-25 v1
摘要
机器学习由数据驱动，尽管数据可用性不断增长，但训练数据需要费力、耗时且易出错的标注或真值获取，某些情况下极为困难甚至不可能。近期工作诉诸合成数据生成，但在合成数据上训练的模型应用于真实世界时性能不佳，由此引出了无监督域适应（unsupervised domain adaptation）的挑战。本文研究一种源自另一视角的无监督域适应技术，以避免对抗训练与循环一致性的复杂性。我们利用照片级真实风格迁移的最新进展，采取完全数据驱动的方法。尽管该概念已隐含于域适应 GAN 的复杂目标中，我们采用显式方法并将其直接作为数据预处理来应用。所得技术可扩展、高效且易于实现，性能可与复杂的最先进（SOTA）替代方法竞争，并可为域适应开辟新路径。
引用
@article{arxiv.1909.10900,
title = {Restyling Data: Application to Unsupervised Domain Adaptation},
author = {Vasileios Gkitsas and Antonis Karakottas and Nikolaos Zioulis and Dimitrios Zarpalas and Petros Daras},
journal= {arXiv preprint arXiv:1909.10900},
year = {2019}
}