面向开集域自适应的无源渐进图学习
计算机视觉与模式识别
2023-01-25 v2
摘要
开集域自适应（OSDA）在许多视觉识别任务中获得了相当多的关注。然而，大多数现有的OSDA方法由于三个主要原因而受到限制，包括：（1）缺乏关于泛化界本质的理论分析，（2）在自适应过程中依赖源域和目标域数据共存，以及（3）未能准确估计模型预测的不确定性。我们提出了一种渐进图学习（PGL）框架，该框架将目标假设空间分解为共享子空间和未知子空间，然后逐步对来自目标域的最具置信度的已知样本进行伪标注以进行假设自适应。此外，我们处理了一种更现实的无源开集域自适应（SF-OSDA）设定，该设定不对源域和目标域共存作任何假设，并在两阶段框架中引入了一种平衡伪标注（BP-L）策略，即SF-PGL。与PGL对所有目标样本应用类无关常数阈值进行伪标注不同，SF-PGL模型以固定比例从每个类别中均匀选择最具置信度的目标实例。每个类中的置信度阈值被视为学习语义信息的“不确定性”，然后用于在自适应步骤中加权分类损失。我们在基准图像分类和动作识别数据集上进行了无监督和半监督的OSDA及SF-OSDA实验。此外，我们发现平衡伪标注在改善校准方面起着重要作用，这使得训练后的模型不易对目标数据产生过度自信或欠自信的预测。源代码可在https://github.com/Luoyadan/SF-PGL获取。
引用
@article{arxiv.2202.06174,
title = {Source-Free Progressive Graph Learning for Open-Set Domain Adaptation},
author = {Yadan Luo and Zijian Wang and Zhuoxiao Chen and Zi Huang and Mahsa Baktashmotlagh},
journal= {arXiv preprint arXiv:2202.06174},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2006.12087