面向部分域适应的软掩码半对偶最优传输
计算机视觉与模式识别
2025-05-06 v1 人工智能
摘要
视觉域适应旨在利用有标签源域的知识，为无标签目标域学习具有判别性和域不变性的表示。部分域适应（PDA）是一种通用且实际的场景，其中目标标签空间是源标签空间的子集。PDA 的挑战不仅源于域偏移，还源于域间标签空间的不一致。本文提出了一种软掩码半对偶最优传输（SSOT）方法来解决 PDA 问题。具体而言，首先估计域的类别权重，然后构建一个重新加权的源域，这有利于与目标域进行类别条件分布匹配。通过类别预测构建软掩码传输距离矩阵，这将增强最优传输在共享特征空间中的类别导向表示能力。为了处理大规模最优传输问题，采用了熵正则化 Kantorovich 问题的半对偶形式，因为它可以通过基于梯度的算法进行优化。此外，利用神经网络来逼近 Kantorovich 势，因其具有强大的拟合能力。这种网络参数化还允许对偶变量在输入分布支撑集之外进行泛化。SSOT 模型建立在神经网络之上，可以以端到端的方式交替优化。在四个基准数据集上进行了大量实验，以证明 SSOT 的有效性。
引用
@article{arxiv.2505.01664,
title = {Soft-Masked Semi-Dual Optimal Transport for Partial Domain Adaptation},
author = {Yi-Ming Zhai and Chuan-Xian Ren and Hong Yan},
journal= {arXiv preprint arXiv:2505.01664},
year = {2025}
}