基于样本到样本自蒸馏的半监督域适应
计算机视觉与模式识别
2021-11-30 v1
摘要
半监督域适应（SSDA）是指在源域给定大型标注数据集时，利用目标域仅少量标注样本将学习器适配到新域。本文提出一种基于样本对的 SSDA 方法，其通过样本对的自蒸馏将模型适配到目标域。每个样本对由来自标注数据集（即源域或标注目标域）的教师样本与来自未标注数据集（即未标注目标域）的学生样本组成。我们的方法通过迁移教师与学生之间的中间风格生成辅助特征，随后通过最小化学生与辅助特征输出差异来训练模型。训练期间，辅助特征逐步弥合两域间差异，从而使学生易于向教师学习。在标准基准上的实验评估表明，我们的方法有效最小化域间与域内差异，从而相比近期方法取得显著改进。
引用
@article{arxiv.2111.14353,
title = {Semi-supervised Domain Adaptation via Sample-to-Sample Self-Distillation},
author = {Jeongbeen Yoon and Dahyun Kang and Minsu Cho},
journal= {arXiv preprint arXiv:2111.14353},
year = {2021}
}
备注
Accepted to WACV 2022