ToAlign：面向无监督域适应的任务导向对齐
计算机视觉与模式识别
2021-10-27 v3
摘要
无监督域自适应分类旨在提升未标记目标域上的分类性能。为缓解域偏移的不利影响，许多方法在特征空间中对齐源域与目标域。然而，特征通常作为整体进行对齐，而未显式地使域对齐主动服务于分类任务，导致次优解。本文中，我们提出一种有效的面向无监督域适应（UDA）的任务导向对齐（ToAlign）。我们研究跨域应对齐哪些特征，并提议通过基于分类任务本身诱导的先验知识进行特征分解与对齐，使域对齐主动服务于分类。特别地，我们基于分类元知识显式地将源域中的特征分解为应被对齐的任务相关/判别性特征，以及应避免/忽略的任务无关特征。在多个基准（如 Office-Home、Visda-2017 和 DomainNet）上不同域适应设置下的大量实验结果证明了 ToAlign 的有效性，其帮助实现了最先进性能。代码公开于 https://github.com/microsoft/UDA
引用
@article{arxiv.2106.10812,
title = {ToAlign: Task-oriented Alignment for Unsupervised Domain Adaptation},
author = {Guoqiang Wei and Cuiling Lan and Wenjun Zeng and Zhizheng Zhang and Zhibo Chen},
journal= {arXiv preprint arXiv:2106.10812},
year = {2021}
}
备注
Accepted to NeurIPS 2021