基于随机 StyleMatch 的半监督域泛化
计算机视觉与模式识别
2021-12-17 v2 人工智能
机器学习
摘要
理想情况下，视觉学习算法应具备泛化能力，以在处理部署于新目标环境时任何未见域偏移；并且应具备数据效率，通过尽可能少地使用标签来降低开发成本。为此，我们研究半监督域泛化（SSDG），其旨在利用多源、部分标注的训练数据学习域泛化模型。我们设计了两个基准，涵盖两个相关领域（即域泛化（DG）和半监督学习（SSL））中最先进的方法。我们发现，按设计无法处理无标签数据的 DG 方法在 SSDG 中标签有限时表现不佳；SSL 方法，尤其是 FixMatch，取得了好得多的结果，但仍远不及使用全标签训练的基础 vanilla 模型。我们提出 StyleMatch，一种将 FixMatch 扩展以加入专为 SSDG 定制的两项新要素的简洁方法：1）用于减少稀缺标签下过拟合的随机建模；2）用于增强域泛化的多视图一致性学习。尽管设计简明，StyleMatch 在 SSDG 中取得了显著提升。我们希望我们的方法与全面的基准能为未来关于泛化且数据高效的学习系统的研究铺平道路。源代码发布于 \url{https://github.com/KaiyangZhou/ssdg-benchmark}。
引用
@article{arxiv.2106.00592,
title = {Semi-Supervised Domain Generalization with Stochastic StyleMatch},
author = {Kaiyang Zhou and Chen Change Loy and Ziwei Liu},
journal= {arXiv preprint arXiv:2106.00592},
year = {2021}
}
备注
Tech report. Code available at https://github.com/KaiyangZhou/ssdg-benchmark