基于假设迁移与标注迁移的源数据缺失无监督域适应
计算机视觉与模式识别
2021-12-07 v3 机器学习
摘要
无监督域适应(UDA)旨在将知识从相关但不同的、标注良好的源域迁移到一个新的无标注目标域。大多数现有UDA方法需要访问源数据，因此在数据因隐私问题而机密且不可共享时无法适用。本文旨在处理一种现实设定：仅有一个在源数据上训练得到的分类模型可用，而非能访问源数据。为有效利用源模型进行适应，我们提出一种称为源假设迁移(Source HypOthesis Transfer, SHOT)的新方法，该方法通过将目标数据特征拟合到冻结的源分类模块(表示分类假设)来学习目标域的特征提取模块。具体而言，SHOT利用信息最大化与自监督学习来学习特征提取模块，以确保目标特征通过同一假设与未见源数据特征隐式对齐。此外，我们提出一种新的标注迁移策略，该策略基于预测置信度(标注信息)将目标数据分为两部分，然后采用半监督学习来提高目标域中低置信度预测的准确率。若预测由SHOT获得，我们将标注迁移记为SHOT++。在数字分类与物体识别任务上的大量实验表明，SHOT与SHOT++取得了超越或媲美当前最优(state-of-the-art)的结果，证明了我们的方法对各种视觉域适应问题的有效性。代码见 \url{https://github.com/tim-learn/SHOT-plus}。
引用
@article{arxiv.2012.07297,
title = {Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer},
author = {Jian Liang and Dapeng Hu and Yunbo Wang and Ran He and Jiashi Feng},
journal= {arXiv preprint arXiv:2012.07297},
year = {2021}
}
备注
TPAMI 2021. More interesting results are further shown in https://github.com/tim-learn/SHOT-plus/blob/master/supp/shot%2B%2B_supp.pdf. arXiv admin note: text overlap with arXiv:2002.08546