面向无监督域适应的无标签数据特征洗牌增强
计算机视觉与模式识别
2022-01-31 v1 机器学习
摘要
无监督域适应（UDA）作为迁移学习的一个分支，因目标样本标签不可用，近年来在对抗训练模型的帮助下被广泛研究与发展。尽管现有 UDA 算法能引导神经网络提取可迁移且具判别性的特征，分类器仅在有标签源数据监督下训练。鉴于源域与目标域间不可避免的偏差，分类器难以感知目标分类边界。本文提出一种新颖的 UDA 框架——特征洗牌增强（SAF），通过向分类器提供来自目标特征表示的监督信号来解决该问题。SAF 从目标样本学习，自适应蒸馏类感知目标特征，并隐式引导分类器寻找完备类边界。大量实验表明，SAF 模块可集成至任意现有对抗 UDA 模型中以提升性能。
引用
@article{arxiv.2201.11963,
title = {Shuffle Augmentation of Features from Unlabeled Data for Unsupervised Domain Adaptation},
author = {Changwei Xu and Jianfei Yang and Haoran Tang and Han Zou and Cheng Lu and Tianshuo Zhang},
journal= {arXiv preprint arXiv:2201.11963},
year = {2022}
}
备注
17 pages, 5 figures