ICCV 2023 GeoNet挑战赛的自训练解决方案
计算机视觉与模式识别
2023-11-29 v1
摘要
GeoNet是近期提出的域适应基准，包含三项挑战（即GeoUniDA、GeoImNet和GeoPlaces）。每项挑战均包含采集自美国与亚洲的图像，其间存在巨大地理鸿沟。我们的方案采用以Swin Transformer为骨干的两阶段无源域适应框架，以实现从美国（源）域到亚洲（目标）域的知识迁移。第一阶段，我们利用带重采样策略与两类交叉熵损失的标注源数据训练源模型。第二阶段，我们为无标注目标数据生成伪标签以微调模型。我们的方法取得74.56%的H-score，最终在GeoUniDA挑战赛中排名第1。在GeoImNet与GeoPlaces挑战赛中，我们的方案也分别达到64.46%与51.23%的top-3准确率。
引用
@article{arxiv.2311.16843,
title = {Self-training solutions for the ICCV 2023 GeoNet Challenge},
author = {Lijun Sheng and Zhengbo Wang and Jian Liang},
journal= {arXiv preprint arXiv:2311.16843},
year = {2023}
}
备注
technical report; 1st in the ICCV-2023 GeoUniDA challenge