面向通用域自适应的辅助原型对齐
计算机视觉与模式识别
2022-10-31 v1 机器学习
摘要
通用域自适应（UniDA）处理的是在两个具有域偏移与类别偏移的数据集之间进行知识迁移的问题。其目标是将未标记目标样本分类到某个“已知”类别或单一的“未知”类别中。UniDA中的一个主要问题是负迁移，即“已知”与“未知”类别的错配。为此，我们首先揭示深度网络不同层所展现的负迁移风险与域不变性之间的有趣权衡。结果表明，我们可以在中间层在这两项指标间取得平衡。基于该洞见设计有效框架时，我们受词袋模型（BoW）启发。中间层类BoW表示中的词原型代表较低层视觉基元，其不太受高层特征中类别偏移的影响。我们提出改进措施以鼓励词原型学习，随后进行基于词直方图分类。此后，辅助原型空间对齐（SPA）可视为闭集对齐问题，从而避免负迁移。我们通过一种新颖的词直方图相关 pretext task 实现闭集SPA，其与目标任务UniDA协同运作。我们在已有UniDA技术基础上展示了方法的有效性，在三个标准UniDA与开集DA物体识别基准上取得最先进性能。
引用
@article{arxiv.2210.15909,
title = {Subsidiary Prototype Alignment for Universal Domain Adaptation},
author = {Jogendra Nath Kundu and Suvaansh Bhambri and Akshay Kulkarni and Hiran Sarkar and Varun Jampani and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:2210.15909},
year = {2022}
}
备注
NeurIPS 2022. Project page: https://sites.google.com/view/spa-unida