SHeDD：基于解缠与伪标签的半监督异构域适应
人工智能
2024-06-21 v1 机器学习
摘要
半监督域适应方法利用源标签域的信息，以期在标签稀缺的目标域上获得更好的泛化。尽管这种设置因域间可能的分布迁移而已具挑战，但当源域和目标域的数据在模态表示上存在差异（例如由不同特性的传感器获取）时，问题更为复杂。例如，在遥感领域，图像可能通过不同的获取模式（如光学或雷达）、不同的光谱特性（如 RGB 或多光谱）以及不同的空间分辨率收集。此类设置称为半监督异构域适应（Semi-Supervised Heterogeneous Domain Adaptation，简称 SSHDA），由于跨域模态异构性，呈现更严重的分布迁移。为应对挑战性的 SSHDA 设置，本文提出 SHeDD（Semi-supervised Heterogeneous Domain Adaptation via Disentanglement，基于解缠的半监督异构域适应），这是一套针对学习目标域分类器的端到端神经网络框架，能够利用来自异构数据源的标注和非标注数据。SHeDD 旨在有效地从域特定信息中解缠出与下游任务相关的域不变表示，而这些信息可能阻碍跨模态迁移。此外，SHeDD 采用基于增强的一致性正则化机制，利用可靠伪标签进一步提升其在目标域上的泛化能力。在两个遥感基准数据集上进行的经验评估显示，SHeDD 在质量方面优于基线方法和多种最先进的竞争方法。我们的代码可在 https://github.com/tanodino/SSHDA/ 获取。
引用
@article{arxiv.2406.14087,
title = {Semi Supervised Heterogeneous Domain Adaptation via Disentanglement and Pseudo-Labelling},
author = {Cassio F. Dantas and Raffaele Gaetano and Dino Ienco},
journal= {arXiv preprint arXiv:2406.14087},
year = {2024}
}