归一化必须继续：通过归一化实现的动态无监督域适应
计算机视觉与模式识别
2022-04-06 v2
摘要
域适应对于使已学习模型适应新场景（如域偏移或数据分布变化）至关重要。当前方法通常需要来自偏移域的大量标注或未标注数据。这在需要连续动态适应或数据稀缺的领域（例如恶劣天气条件下的自动驾驶）会成为障碍。为解决这一连续适应分布偏移的问题，我们提出动态无监督适应（DUA）。通过持续调整批归一化层的统计量，我们修改了模型的特征表示。我们表明，仅使用一小部分未标注数据对模型进行顺序适应，即可获得显著的性能提升。即便目标域未标注数据少于1%，DUA已能与强基线取得相竞争的结果。此外，与先前方法相比计算开销极小。我们的方法简单而有效，可应用于任何以批归一化为组成之一的架构。我们通过在包括物体识别、数字识别与物体检测在内的多种域适应数据集与任务上评估，展示了DUA的实用性。
引用
@article{arxiv.2112.00463,
title = {The Norm Must Go On: Dynamic Unsupervised Domain Adaptation by Normalization},
author = {M. Jehanzeb Mirza and Jakub Micorek and Horst Possegger and Horst Bischof},
journal= {arXiv preprint arXiv:2112.00463},
year = {2022}
}
备注
Accepted to CVPR 2022 - Camera Ready Version - Code: https://github.com/jmiemirza/DUA