面向单次适应的目标感知生成式增强
计算机视觉与模式识别
2023-05-23 v1 人工智能
摘要
本文中，我们解决将模型从源域适配到目标域的问题，由于深度神经网络脆弱的泛化能力，该任务日益重要。尽管已出现若干测试时适应技术，但在目标数据有限的情况下，它们通常依赖合成工具箱数据增强。我们考虑单次适应的挑战性设定并探索增强策略的设计。我们认为现有方法所用的增强不足以应对大分布偏移，因此提出新方法 SiSTA，其首先利用单次目标数据从源域微调生成模型，然后采用新颖采样策略来策划合成目标数据。通过在多种基准、分布偏移和图像损坏上的实验，我们发现 SiSTA 在人脸属性检测和多类物体识别上比现有基线显著改善泛化。此外，SiSTA 的性能可与在更大数据集上训练所得的模型相竞争。我们的代码可访问 https://github.com/Rakshith-2905/SiSTA。
引用
@article{arxiv.2305.13284,
title = {Target-Aware Generative Augmentations for Single-Shot Adaptation},
author = {Kowshik Thopalli and Rakshith Subramanyam and Pavan Turaga and Jayaraman J. Thiagarajan},
journal= {arXiv preprint arXiv:2305.13284},
year = {2023}
}
备注
Accepted at International Conference Machine Learning (ICML) 2023