面向无监督域适应的鲁棒集成网络
计算机视觉与模式识别
2021-08-24 v1 人工智能
摘要
近年来，为解决无监督域适应（UDA）问题，已有大量研究致力于构建可迁移模型。其中最为流行的方法是对抗域适应，其能够缩短源域与目标域之间的距离。尽管对抗学习非常有效，但仍会导致网络的不稳定性以及类别信息混淆的缺陷。本文提出一种用于UDA的鲁棒集成网络（REN），其采用鲁棒的时间集成教师网络来学习用于域迁移的全局信息。具体而言，REN主要包含一个教师网络与一个学生网络，前者执行标准的域适应训练并更新教师网络的权重。此外，我们还提出一种双网络条件对抗损失以提升判别器的能力。最后，为提升学生网络的基础能力，我们利用一致性约束来平衡学生网络与教师网络之间的误差。在多个UDA数据集上的大量实验结果通过与其它最先进的UDA算法对比，证明了我们模型的有效性。
引用
@article{arxiv.2108.09473,
title = {Robust Ensembling Network for Unsupervised Domain Adaptation},
author = {Han Sun and Lei Lin and Ningzhong Liu and Huiyu Zhou},
journal= {arXiv preprint arXiv:2108.09473},
year = {2021}
}
备注
14 pages, 4 figures. accepted by PRICA-2021. code: https://github.com/1003389754/REN