基于原型的多层次学习半监督域自适应
计算机视觉与模式识别
2023-12-25 v3
摘要
在半监督域自适应(SSDA)中,每类少量有标记目标样本有助于模型将知识表示从完全标记源域迁移到目标域。许多现有方法忽视了从多层次充分利用有标记目标样本的好处。为了更好地利用这些额外数据,我们提出一种新颖的基于原型的层次化学习(ProML)框架,以更好地挖掘有标记目标样本的潜力。为实现域内自适应,我们首先引入基于域内最优传输的伪标签聚合,帮助模型对齐无标记目标样本与原型的特征分布。在域间层次,我们提出跨域对齐损失,帮助模型利用目标原型进行跨域知识迁移。我们进一步提出基于原型相似度与线性分类器的双重一致性,以在批次层次促进紧凑目标特征表示的判别性学习。在 DomainNet、VisDA2017 和 Office-Home 三个数据集上的大量实验表明,我们所提方法在 SSDA 中达到了最先进性能。
引用
@article{arxiv.2305.02693,
title = {Semi-supervised Domain Adaptation via Prototype-based Multi-level Learning},
author = {Xinyang Huang and Chuang Zhu and Wenkai Chen},
journal= {arXiv preprint arXiv:2305.02693},
year = {2023}
}
备注
IJCAI 2023. To avoid confusion, update to a more complete version