目标驱动的单次无监督域适应
计算机视觉与模式识别
2023-07-18 v2
摘要
在本文中，我们针对单次无监督域适应（OSUDA）这一具有挑战性的问题引入了一种新颖框架，该问题旨在仅利用单个无标签目标样本适应到目标域。与依赖大量有标签源数据和无标签目标数据的现有方法不同，我们的目标驱动单次无监督域适应（TOS-UDA）方法采用由目标样本风格引导的可学习增强策略，以将源分布与目标分布对齐。我们的方法由三个模块组成：增强模块、风格对齐模块和分类器。与现有方法不同，我们的增强模块允许对源样本进行强变换，并且利用可用的单个目标样本的风格通过确保感知相似性来引导增强。此外，我们的方法将增强与风格对齐相集成，消除了在额外数据集上单独预训练的需要。我们的方法在 Digits 和 DomainNet 基准上优于或与现有的 OS-UDA 方法性能相当。
引用
@article{arxiv.2305.04628,
title = {Target-driven One-Shot Unsupervised Domain Adaptation},
author = {Julio Ivan Davila Carrazco and Suvarna Kishorkumar Kadam and Pietro Morerio and Alessio Del Bue and Vittorio Murino},
journal= {arXiv preprint arXiv:2305.04628},
year = {2023}
}
备注
Accepted to 22nd International Conference on IMAGE ANALYSIS AND PROCESSING (ICIAP) 2023