重温深度子空间对齐用于无监督域适应
机器学习
2022-01-07 v1 计算机视觉与模式识别
摘要
无监督域适应（UDA）旨在将知识从有标签的源域迁移并适配到无标签的目标域。传统上，基于子空间的方法构成了该问题的一类重要解。尽管这些方法具有数学上的优雅与可处理性，但常被发现难以用复杂真实数据集生成域不变特征。受近期深度网络表示学习进展的启发，本文重访子空间对齐在 UDA 中的使用，并提出一种新颖的适配算法，可一致地带来改进的泛化能力。与现有的基于对抗训练的 DA 方法不同，我们的方法隔离了特征学习与分布对齐步骤，并利用主-辅优化策略来有效平衡域不变性与模型保真度的目标。在显著减少目标数据与计算需求的同时，我们基于子空间的 DA 在多个标准 UDA 基准上表现具竞争力，有时甚至优于最先进的方法。此外，子空间对齐带来了本质良正则化的模型，即使在具挑战性的部分 DA 设定中也展现出强泛化能力。最后，我们的 UDA 框架设计本身支持在测试时对新目标域渐进适配，而无需从头重新训练模型。总之，借助强大的特征学习器与有效的优化策略，我们确立了基于子空间的 DA 作为视觉识别中一种高效方法。
引用
@article{arxiv.2201.01806,
title = {Revisiting Deep Subspace Alignment for Unsupervised Domain Adaptation},
author = {Kowshik Thopalli and Jayaraman J Thiagarajan and Rushil Anirudh and Pavan K Turaga},
journal= {arXiv preprint arXiv:2201.01806},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:1906.04338