通过未知类利用收紧开放集域适应中的分类边界
计算机视觉与模式识别
2023-09-19 v1
摘要
卷积神经网络（CNNs）凭借其从原始数据中学习的能力，为许多研究领域带来了革命性进展。然而，当这些方法应用于不可控环境时，许多不同因素会降低模型的预期性能，例如具有不同程度域偏移和类别偏移的未标注数据集。特别地，当这两类问题同时出现时，我们将这一具有挑战性的设定作为开放集域适应（OSDA）问题来处理。一般而言，现有的 OSDA 方法仅致力于对齐已知类别，或者，即便它们已提取出可能的负类实例，也将其作为训练过程中以监督方式学习的新类别。我们提出了一种改进 OSDA 方法的新思路：提取高置信度的未知类实例集合，并将其作为硬约束来收紧 OSDA 方法的分类边界。具体而言，我们采用了一种新的损失约束，并通过三种不同方式评估：（1）直接使用原始负类实例；（2）使用数据增强技术对负类进行随机变换；（3）使用包含对抗性特征的合成负类。我们基于 OVANet 在大量实验中评估了所有方法，在 Office-31 和 Office-Home 两个公开基准上均观察到一致的改进，其中 Office-31 的准确率和 H-Score 绝对提升最高达 1.3%，Office-Home 的准确率提升 5.8%、H-Score 提升 4.7%。
引用
@article{arxiv.2309.08964,
title = {Tightening Classification Boundaries in Open Set Domain Adaptation through Unknown Exploitation},
author = {Lucas Fernando Alvarenga e Silva and Nicu Sebe and Jurandy Almeida},
journal= {arXiv preprint arXiv:2309.08964},
year = {2023}
}