SENTRY：基于委员会一致性的选择性熵优化用于无监督域适应
计算机视觉与模式识别
2021-10-12 v2 机器学习
摘要
许多现有的无监督域适应（UDA）方法仅关注数据分布偏移下的适应，在额外的跨域标签分布偏移下成功率有限。近期基于使用目标伪标签进行自训练的工作已显示出前景，但在具有挑战性的偏移下伪标签可能极不可靠，将其用于自训练可能导致误差累积与域错配。我们提出基于委员会一致性的选择性熵优化（SENTRY），一种UDA算法，其根据目标样本在一组随机图像变换下的委员会预测一致性来判断其可靠性。我们的算法随后选择性地最小化预测熵以增强高一致性目标样本的置信度，同时最大化预测熵以降低高不一致性样本的置信度。结合基于伪标签的近似目标类平衡，我们的方法在标准UDA基准以及专为在标签分布偏移下压力测试适应而设计的基准上的31个域偏移中的27个上，相比最先进水平取得了显著提升。
引用
@article{arxiv.2012.11460,
title = {SENTRY: Selective Entropy Optimization via Committee Consistency for Unsupervised Domain Adaptation},
author = {Viraj Prabhu and Shivam Khare and Deeksha Kartik and Judy Hoffman},
journal= {arXiv preprint arXiv:2012.11460},
year = {2021}
}
备注
Published at ICCV 2021. Code available at https://github.com/virajprabhu/SENTRY