基于相似度的伪标签注入的半监督域适应
计算机视觉与模式识别
2022-09-07 v1
摘要
半监督域适应（SSDA）的主要挑战之一是有标签的源域与目标域样本数量比例失衡，导致模型偏向源域。SSDA 近期的研究表明，仅将有标签的目标样本与源样本对齐可能导致目标域到源域的域对齐不完整。在我们的方法中，为了对齐两个域，我们利用对比损失，借助来自两个域的有监督样本学习一个语义有意义且域无关的特征空间。为缓解标签比例失衡带来的问题，我们通过将无标签目标样本的特征表示与来自源域和目标域的有标签样本进行比较，为其分配伪标签。此外，为增强目标域的支撑，这些可能含噪的伪标签在训练过程中逐步注入有标签目标数据集。具体而言，我们使用温度缩放的余弦相似度度量，为无标签目标样本分配软伪标签。同时，我们对每个无标签样本的软伪标签计算指数移动平均。这些伪标签根据置信度阈值逐步注入或（从）有标签目标数据集（中移除），以补充源域和目标域分布的对齐。最后，我们在有标签和伪标签数据集上使用有监督对比损失来对齐源域和目标域分布。使用我们提出的方法，我们在 SSDA 基准 Office-Home、DomainNet 和 Office-31 上展示了最先进的性能。
引用
@article{arxiv.2209.01881,
title = {Semi-Supervised Domain Adaptation by Similarity based Pseudo-label Injection},
author = {Abhay Rawat and Isha Dua and Saurav Gupta and Rahul Tallamraju},
journal= {arXiv preprint arXiv:2209.01881},
year = {2022}
}
备注
ECCV 2022, L2ID Workshop