SelectNAdapt：面向少样本域自适应的支持集选择方法
计算机视觉与模式识别
2023-08-10 v1
摘要
当训练（源）域与测试（目标）域数据之间存在分布偏移时，深度神经网络的泛化能力会变得脆弱。少样本域自适应利用从目标域随机选取并标注的支持集，将源域预训练的深度神经网络适配到目标域，从而缓解该问题。本文认为，随机选取支持集的方式可进一步改进，以有效地将预训练的源模型适配到目标域。作为替代，我们提出 SelectNAdapt，一种用于筛选目标域样本并将其标注后纳入支持集的算法。具体而言，针对 K-shot 自适应问题，我们首先利用自监督学习目标域数据的特征。随后，我们对所学目标域特征提出一种逐类聚类方案，并使用基于距离的评分函数选取 K 个具代表性的目标样本。最后，我们通过依赖伪标签对语义相似的目标域样本进行聚类，使我们的选取方案趋于实用。在三个图像识别少样本域自适应基准上的实验表明，相较于相关方法及标准随机选取，本方法取得了有前景的结果。
引用
@article{arxiv.2308.04946,
title = {SelectNAdapt: Support Set Selection for Few-Shot Domain Adaptation},
author = {Youssef Dawoud and Gustavo Carneiro and Vasileios Belagiannis},
journal= {arXiv preprint arXiv:2308.04946},
year = {2023}
}
备注
Accepted to ICCV Workshop