子类型感知的动态无监督域自适应
计算机视觉与模式识别
2022-08-17 v1 人工智能
机器学习
图像与视频处理
信号处理
摘要
无监督域自适应（UDA）已成功应用于将知识从有标签的源域转移到无标签的目标域。近期提出的可迁移原型网络（TPN）进一步解决了类级别的条件对齐问题。在 TPN 中，虽然源域与目标域类中心在潜空间中的接近性被显式强制，但底层的细粒度子类型结构以及跨域类内紧凑性尚未得到充分研究。为此，我们提出一种新方法，自适应地执行细粒度子类型感知对齐，以在两个域均无子类型标签的情况下提升目标域性能。我们方法的洞见是：一个类中的无标签子类型在子类型内部具有局部邻近性，但由于不同的条件偏移和标签偏移而表现出相异特征。具体而言，我们利用中间伪标签同时强制子类型级紧凑性与类级分离。此外，我们系统研究了有和无子类型数量先验知识的多种场景，并提出利用底层子类型结构。进一步地，我们开发了动态队列框架，通过交替处理方案稳定演化子类型聚类中心。使用多视角先天性心脏病数据以及 VisDA 和 DomainNet 进行的实验结果表明，与最先进 UDA 方法相比，我们的子类型感知 UDA 具有有效性与合理性。
引用
@article{arxiv.2208.07754,
title = {Subtype-Aware Dynamic Unsupervised Domain Adaptation},
author = {Xiaofeng Liu and Fangxu Xing and Jia You and Jun Lu and C. -C. Jay Kuo and Georges El Fakhri and Jonghye Woo},
journal= {arXiv preprint arXiv:2208.07754},
year = {2022}
}
备注
IEEE Transactions on Neural Networks and Learning Systems (TNNLS)