面向无监督单目标与多目标域适应的强弱集成半监督方法
计算机视觉与模式识别
2023-09-14 v1
摘要
无监督域适应（UDA）致力于将标注源域中学到的知识迁移到未标注目标域。尽管近年来图像分类的单目标域适应取得了显著进展，但从单目标到多目标域适应的扩展仍是一个很大程度上未被探索的问题领域。一般而言，无监督域适应在试图从单一未标注目标域学习可靠信息时面临重大挑战。增加未标注目标域的数量会进一步显著加剧该问题。在本文中，我们提出了一种新颖的强弱集成半监督（SWISS）学习策略，用于基于无监督域适应的图像分类，该策略在单目标和多目标场景下均表现良好。在所提出的SWISS-UDA框架下，具有高置信度但低多样性的目标域样本组成的强代表集和低置信度但高多样性的目标域样本组成的弱代表集在训练过程中不断更新。两个集合被融合以生成带有伪标签的增强强弱训练批次，在每次迭代中用于训练网络。从单目标到多目标域适应的扩展通过探索域间类级距离关系，并借助同伴脚手架用来自同伴域的更强样本替换强代表集来实现。此外，提出了一种新颖的对抗对数损失来减少源域和目标域之间的类内分歧，该损失通过分类器与网络其余部分之间的梯度反转层进行对抗式反向传播。基于Office-31、Office-Home和DomainNet三个基准的实验结果表明了所提出SWISS框架的有效性。
引用
@article{arxiv.2309.06528,
title = {Strong-Weak Integrated Semi-supervision for Unsupervised Single and Multi Target Domain Adaptation},
author = {Xiaohu Lu and Hayder Radha},
journal= {arXiv preprint arXiv:2309.06528},
year = {2023}
}