结合源标签自适应的半监督域自适应
计算机视觉与模式识别
2023-03-28 v2
摘要
半监督域自适应涉及利用少量已标注和大量未标注的目标数据，以及来自相关域的大量已标注源数据，学习对未见目标数据进行分类。当前的 SSDA 方法通常旨在通过特征空间映射和伪标签分配将目标数据与已标注源数据对齐。然而，这种面向源的模型有时会将目标数据与错误类别的源数据对齐，从而降低分类性能。本文提出了一种新颖的源自适应范式，通过自适应源数据以匹配目标数据。我们的核心思想是将源数据视为理想目标数据的带噪标签版本。然后，我们提出一个 SSDA 模型，该模型借助从目标视角设计的鲁棒清理组件动态清理标签噪声。由于该范式与现有 SSDA 方法背后的核心思想截然不同，我们提出的模型可以很容易地与它们结合以提升其性能。在两种最先进的 SSDA 方法上的实证结果表明，所提出的模型有效清理了源标签内的噪声，并在基准数据集上表现出优于这些方法的性能。我们的代码可在 https://github.com/chu0802/SLA 获取。
引用
@article{arxiv.2302.02335,
title = {Semi-Supervised Domain Adaptation with Source Label Adaptation},
author = {Yu-Chu Yu and Hsuan-Tien Lin},
journal= {arXiv preprint arXiv:2302.02335},
year = {2023}
}
备注
Accepted by CVPR 2023