基于一致性训练的自监督域自适应
计算机视觉与模式识别
2020-10-16 v1
摘要
我们考虑图像分类的无监督域自适应问题。为了从没有标签的数据中学习到目标域感知的特征，我们通过用某种变换（具体为图像旋转）增强无标签数据来构建一个自监督前置任务，并要求学习器预测该变换的属性。然而，所获得的特征表示可能包含大量与主要任务无关的的信息。为了提供进一步的指导，我们强制增强数据的特征表示与原始数据的特征表示保持一致。直观上，一致性为表示学习引入了额外的约束，因此，学习到的表示更可能聚焦于主要任务的正确信息。我们的实验结果验证了所提出的方法，并在经典的域自适应基准上展示了最先进的性能。代码可在 https://github.com/Jiaolong/ss-da-consistency 获取。
引用
@article{arxiv.2010.07539,
title = {Self-Supervised Domain Adaptation with Consistency Training},
author = {L. Xiao and J. Xu and D. Zhao and Z. Wang and L. Wang and Y. Nie and B. Dai},
journal= {arXiv preprint arXiv:2010.07539},
year = {2020}
}
备注
ICPR 2020