复用任务特定分类器作为判别器：无判别器的对抗域适应
计算机视觉与模式识别
2022-04-11 v1
摘要
对抗学习在无监督域适应（UDA）中取得了显著性能。现有对抗 UDA 方法通常采用额外的判别器与特征提取器进行极小极大博弈。然而，这类方法大多未能有效利用预测的判别式信息，从而导致生成器的模式崩溃。本文从另一视角解决该问题，设计了一种简洁而有效的对抗范式，即无判别器对抗学习网络（DALN），其中类别分类器被复用为判别器，通过统一目标实现显式域对齐与类别区分，使 DALN 能利用预测的判别式信息进行充分的特征对齐。具体而言，我们引入核范数 Wasserstein 差异（NWD），其对执行判别具有明确指导意义。该 NWD 可与分类器耦合作为满足 K-Lipschitz 约束的判别器，无需额外的权重裁剪或梯度惩罚策略。无需额外技巧，DALN 在多个公开数据集上优于现有最优（SOTA）方法。此外，作为一种即插即用技术，NWD 可直接用作通用正则化器以惠及现有 UDA 算法。代码见 https://github.com/xiaoachen98/DALN。
引用
@article{arxiv.2204.03838,
title = {Reusing the Task-specific Classifier as a Discriminator: Discriminator-free Adversarial Domain Adaptation},
author = {Lin Chen and Huaian Chen and Zhixiang Wei and Xin Jin and Xiao Tan and Yi Jin and Enhong Chen},
journal= {arXiv preprint arXiv:2204.03838},
year = {2022}
}
备注
Accepted by CVPR2022