基于极小极大熵的半监督域适应
计算机视觉与模式识别
2019-09-17 v5
摘要
当代域适应方法在无需任何目标域监督的情况下，能非常有效地对齐源域和目标域的特征分布。然而，我们表明，即使在目标域中有少量标注样本可用时，这些技术也表现不佳。为解决这一半监督域适应(SSDA)设定，我们提出了一种新颖的极小极大熵(MME)方法，该方法对抗式地优化一个自适应的少样本模型。我们的基础模型由一个特征编码网络和一个计算特征与估计原型(各类的代表)相似度的分类层组成。适应通过交替地最大化未标注目标数据相对于分类器的条件熵、并最小化其相对于特征编码器的条件熵来实现。我们通过实验证明了我们的方法相对于许多基线(包括传统的特征对齐和少样本方法)的优越性，为SSDA确立了新的SOTA。
引用
@article{arxiv.1904.06487,
title = {Semi-supervised Domain Adaptation via Minimax Entropy},
author = {Kuniaki Saito and Donghyun Kim and Stan Sclaroff and Trevor Darrell and Kate Saenko},
journal= {arXiv preprint arXiv:1904.06487},
year = {2019}
}
备注
accepted to ICCV2019. ICCV paper version