面向开放集域适应的自步学习
计算机视觉与模式识别
2023-03-22 v3
摘要
域适应处理将源域习得的知识推广到数据分布不同的目标域这一挑战。传统域适应方法假定源域和目标域中的类别相同，而现实场景中并非总是如此。开放集域适应（OSDA）通过允许目标域中出现先前未见过的类别来解决这一局限。开放集域适应旨在不仅识别属于源域和目标域共享的常见类别的目标样本，还能感知未知类别样本。我们提出一种基于自步学习的新型框架，以精确区分常见类别与未知类别样本，称为 SPLOS（面向开放集的自步学习）。为利用无标签目标样本进行自步学习，我们生成伪标签并设计了一种针对 OSDA 场景的跨域 mixup 方法。该策略最小化了伪标签的噪声，并确保我们的模型从较简单的样本开始、逐步推进到更复杂的样本，渐进地学习目标域的常见类别特征。此外，不同于现有 OSDA 方法需要手动调节超参数 以分离常见类别和未知类别，我们的方法自行调节合适的阈值，消除了测试阶段经验调参的需要。综合实验表明，与多种最先进（SOTA）方法相比，我们的方法在不同基准上持续取得更优性能。
引用
@article{arxiv.2303.05933,
title = {Self-Paced Learning for Open-Set Domain Adaptation},
author = {Xinghong Liu and Yi Zhou and Tao Zhou and Jie Qin and Shengcai Liao},
journal= {arXiv preprint arXiv:2303.05933},
year = {2023}
}