选择、标注与混合：面向部分域适应的判别不变特征表示学习
计算机视觉与模式识别
2023-01-05 v2
摘要
部分域适应假设未知目标标签空间是源标签空间的子集，已在计算机视觉中引起诸多关注。尽管近期取得进展，现有方法常受三个关键问题困扰：负迁移、潜在空间缺乏判别性以及域不变性不足。为缓解上述问题，我们提出了一种新颖的“选择、标注与混合”（SLM）框架，旨在为部分域适应学习判别不变特征表示。首先，我们提出一个高效的“选择”模块，自动过滤掉离群源样本以避免负迁移，同时对齐两域分布。其次，“标注”模块利用带标签的源域数据和为目标域生成的伪标签迭代训练分类器，以增强潜在空间的判别性。最后，“混合”模块将域混合正则化与另两个模块联合使用，以探索跨域更内在的结构，从而得到用于部分域适应的域不变潜在空间。在多个部分域适应基准数据集上的大量实验证明了我们所提框架相对于最先进方法的优越性。
引用
@article{arxiv.2012.03358,
title = {Select, Label, and Mix: Learning Discriminative Invariant Feature Representations for Partial Domain Adaptation},
author = {Aadarsh Sahoo and Rameswar Panda and Rogerio Feris and Kate Saenko and Abir Das},
journal= {arXiv preprint arXiv:2012.03358},
year = {2023}
}
备注
Accepted to WACV 2023. Project page: https://cvir.github.io/projects/slm.html