基于演化中间域的半监督域泛化
计算机视觉与模式识别
2023-04-06 v3
摘要
域泛化（DG）旨在将在多个源域上训练的模型泛化到未见目标域。源域总是需要精确标注，由于涉及海量数据，在实践中获取这些标注可能繁琐甚至不可行。然而，网络数据提供了获取大量带有丰富风格信息的无标注数据的机会，可用于改进 DG。基于此视角，我们引入了一种新的 DG 范式，称为半监督域泛化（SSDG），以探索有标注和无标注源域如何相互作用，并建立了两种设定，包括闭集和开集 SSDG。闭集 SSDG 基于现有公开 DG 数据集，而开集 SSDG 构建于新收集的网页爬取数据集之上，提出了新颖且现实的挑战，推动了当前技术的极限。SSDG 的一种自然方法是通过伪标注将有标注数据的知识迁移到无标注数据，并在有标注和伪标注数据上训练模型以实现泛化。由于面向域的伪标注与域外泛化之间存在目标冲突，我们为 SSDG 分别开发了伪标注阶段和泛化阶段。遗憾的是，由于较大的域间隙，伪标注阶段提供的伪标签不可避免地含有噪声，对后续泛化阶段产生负面影响。因此，为提高伪标签质量并进一步增强泛化能力，我们提出了一种循环学习框架，以在这两个阶段间促成正向反馈，利用以课程学习方式桥接有标注与无标注域的演化中间域……
引用
@article{arxiv.2111.10221,
title = {Semi-Supervised Domain Generalization with Evolving Intermediate Domain},
author = {Luojun Lin and Han Xie and Zhishu Sun and Weijie Chen and Wenxi Liu and Yuanlong Yu and Lei Zhang},
journal= {arXiv preprint arXiv:2111.10221},
year = {2023}
}
备注
13 pages, 13 figures