通过目标感知生成式增强的单样本域适应
计算机视觉与模式识别
2022-11-01 v1 机器学习
机器学习
摘要
利用来自任意感兴趣目标域的数据从源域适应模型的问题已日益突出，这归因于深度神经网络脆弱的泛化能力。尽管已出现若干测试时适应技术，它们在目标数据有限时通常依赖合成数据增强。本文考虑单样本适应的挑战性设定并探索增强策略的设计。我们认为现有方法所用的增强不足以应对较大的分布偏移，因此提出一种新方法 SiSTA（Single-Shot Target Augmentations，单样本目标增强），它首先利用单样本目标从源域微调生成模型，然后采用新颖的采样策略来筛选合成目标数据。借助一种最先进的域适应方法的实验，我们发现 SiSTA 在人脸属性检测的挑战性偏移下相比现有基线最高提升 20%，并且其性能可与通过在更大目标数据集上训练获得的 oracle 模型相竞争。
引用
@article{arxiv.2210.16692,
title = {Single-Shot Domain Adaptation via Target-Aware Generative Augmentation},
author = {Rakshith Subramanyam and Kowshik Thopalli and Spring Berman and Pavan Turaga and Jayaraman J. Thiagarajan},
journal= {arXiv preprint arXiv:2210.16692},
year = {2022}
}