S$^3$VAADA：面向虚拟对抗主动域自适应的子模子集选择
机器学习
2021-09-21 v1 人工智能
计算机视觉与模式识别
摘要
无监督域自适应（DA）方法致力于通过对齐源域与目标域特征、且不使用目标域标注数据来实现最佳性能。然而，在真实场景中有时可为少量目标数据获取标签。在此类场景下，选择信息量最大的样本进行标注，并找到将其与源数据已有知识有效结合的方法至关重要。为此，我们提出 SVAADA，其（i）引入一种新颖的子模准则以选择信息量最大的子集进行标注；（ii）通过对基于聚类的 DA 流程进行新颖改进，有效利用所有可用数据以提升目标域泛化能力。我们的方法在具有不同程度域偏移的数据集上持续优于竞争的最先进方法。
引用
@article{arxiv.2109.08901,
title = {S$^3$VAADA: Submodular Subset Selection for Virtual Adversarial Active Domain Adaptation},
author = {Harsh Rangwani and Arihant Jain and Sumukh K Aithal and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:2109.08901},
year = {2021}
}
备注
ICCV 2021. Project page: http://sites.google.com/iisc.ac.in/s3vaada-iccv2021