用于异构域适应的同步语义对齐网络
计算机视觉与模式识别
2021-05-06 v2 机器学习
摘要
异构域适应(HDA)在呈现异构性的源域与目标域间迁移知识,例如不同的域分布以及特征类型或维度的差异。多数先前的 HDA 方法通过学习域不变特征子空间来减小域间差异以应对该问题。然而,此类对齐策略下数据固有的语义属性未被充分挖掘,而其对实现良好的适应性同样不可或缺。本文提出同步语义对齐网络(SSAN),以同时利用类别间相关性并跨域对齐各类别质心。具体地,我们提出一种隐式语义相关性损失,将源类别预测分布的相关性知识迁移至目标域。同时,通过利用目标伪标签,显式应用鲁棒的三元组-质心对齐机制来对齐各类别的特征表示。值得注意的是,引入了涉及几何相似度的伪标签精炼过程,以提升目标伪标签分配精度。在文本到图像、图像到图像及文本到文本等多种 HDA 任务上的综合实验成功验证了我们的 SSAN 优于当前最优 HDA 方法。代码公开于 https://github.com/BIT-DA/SSAN。
引用
@article{arxiv.2008.01677,
title = {Simultaneous Semantic Alignment Network for Heterogeneous Domain Adaptation},
author = {Shuang Li and Binhui Xie and Jiashu Wu and Ying Zhao and Chi Harold Liu and Zhengming Ding},
journal= {arXiv preprint arXiv:2008.01677},
year = {2021}
}
备注
Accepted at ACM MM 2020