T-SVDNet：探索高阶原型相关性用于多源域适应
计算机视觉与模式识别
2021-08-02 v1 机器学习
摘要
大多数现有域适应方法聚焦于仅从单一源域进行适应，然而在实践中存在若干相关源域可被利用以帮助提升目标域性能。我们提出一种名为 T-SVDNet 的新方法来解决多源域适应（MDA）任务，其特点是将张量奇异值分解（T-SVD）引入神经网络的训练流程。总体而言，充分探索了多域与多类别间的高阶相关性，以更好地弥合域间隙。具体而言，我们对由一组原型相似度矩阵堆叠所得的张量施加张量低秩（TLR）约束，旨在捕捉跨不同域的一致数据结构。此外，为避免噪声源数据带来的负迁移，我们提出一种新颖的基于不确定性的加权策略，根据不确定性估计结果自适应地为不同源域和样本分配权重。在公开基准上进行的广泛实验证明了我们的模型在解决 MDA 任务上相对于最先进方法的优越性。
引用
@article{arxiv.2107.14447,
title = {T-SVDNet: Exploring High-Order Prototypical Correlations for Multi-Source Domain Adaptation},
author = {Ruihuang Li and Xu Jia and Jianzhong He and Shuaijun Chen and Qinghua Hu},
journal= {arXiv preprint arXiv:2107.14447},
year = {2021}
}
备注
11 pages, 6 figures, International Conference on Computer Vision