面向部分域自适应的鲁棒类条件分布对齐
计算机视觉与模式识别
2023-10-20 v2
摘要
在部分域自适应设定中，来自私有源类别的不期望样本在学习目标中会导致负迁移并降低分类性能。现有方法（如重加权或聚合目标预测）易受此问题影响，尤其在初始训练阶段，且未充分处理类级特征对齐。我们提出的方法旨在通过比一阶矩更深入来推导独特且紧致的类别分布，以克服这些局限。我们采用以域不变方式优化类内与类间分布的目标，并设计鲁棒伪标签以实现高效目标监督。我们的方法引入互补熵目标模块以降低分类不确定性并平抑错误类别预测。所提模块的实验结果与消融分析证明了我们模型相较基准的优越性能。
引用
@article{arxiv.2310.12060,
title = {Robust Class-Conditional Distribution Alignment for Partial Domain Adaptation},
author = {Sandipan Choudhuri and Arunabha Sen},
journal= {arXiv preprint arXiv:2310.12060},
year = {2023}
}