自适应部分域适配
计算机视觉与模式识别
2021-09-21 v1
摘要
部分域适配（PDA）旨在解决一种更实用的跨域学习问题，其假设目标标签空间是源标签空间的子集。然而，不匹配的标签空间会导致显著的负迁移。传统解法是使用软权重来增大源共享域的权重并减小源离群域的权重，但其仍学习离群点的特征并导致负迁移。另一主流思路是通过硬二值权重将源域区分为共享与离群部分，却无法纠正纠缠的共享与离群类。在本文中，我们提出一种端到端自适应部分域适配（SAPDA）网络。引入类权重评估机制来动态自校正共享、离群与混淆类的权重，从而置信度更高的样本拥有更充分的权重。同时，它可大幅消除由标签空间不匹配引起的负迁移。此外，我们的策略能在更广义上有效度量样本的可迁移性，因此我们的方法在无监督 DA 任务上同样能取得有竞争力的结果。在多个基准上的大量实验已证明了我们 SAPDA 的有效性。
引用
@article{arxiv.2109.08829,
title = {Self-Adaptive Partial Domain Adaptation},
author = {Jian Hu and Hongya Tuo and Shizhao Zhang and Chao Wang and Haowen Zhong and Zhikang Zou and Zhongliang Jing and Henry Leung and Ruping Zou},
journal= {arXiv preprint arXiv:2109.08829},
year = {2021}
}
备注
10 pages, 14 figures