用于无监督域适应的任务判别域对齐
计算机视觉与模式识别
2019-09-30 v1
摘要
域适应（DA）是将在一个域（源域）上学习的任务模型有效适应到其他相关但不同的域（目标域）且无需或仅需极少重新训练的过程，通常通过源到目标流形对齐来实现。然而，这一过程常导致不令人满意的适应性能，部分原因是它忽略了数据的任务特定结构。在本文中，我们通过引入一种判别性差异度量来改进 DA 的性能，该度量利用源域和目标域中可用的辅助信息以更好地对齐源和目标分布。具体而言，我们利用与不同任务相关的各个数据流形内聚的聚类结构来改进对齐。这种结构在源域中是显式的（任务标签可用），但在目标域中是隐式的，使得问题具有挑战性。我们通过设计一种深度 DA 框架来应对这一挑战，该框架将一种新的任务驱动域对齐判别器与域正则化项相结合，这些正则化项鼓励共享特征具有任务特定性和域不变性，并促使任务模型保持数据结构，通过其低密度数据区域来引导其决策边界。我们在标准基准上验证我们的框架，包括 Digits（MNIST、USPS、SVHN、MNIST-M）、PACS 和 VisDA。我们的结果表明，我们提出的模型在无监督域适应中持续优于最先进水平。
引用
@article{arxiv.1909.12366,
title = {Task-Discriminative Domain Alignment for Unsupervised Domain Adaptation},
author = {Behnam Gholami and Pritish Sahu and Minyoung Kim and Vladimir Pavlovic},
journal= {arXiv preprint arXiv:1909.12366},
year = {2019}
}
备注
This paper is accepted for ORAL presentation at the ICCV 2019 MDALC Workshop