面向抗损坏鲁棒域自适应的无损坏感知方法
计算机视觉与模式识别
2021-04-22 v1 机器学习
摘要
数十年来，域自适应取得了巨大进展。现有工作总是基于一个理想假设，即测试目标域与训练目标域独立同分布（i.i.d.）。然而，由于真实数据（如网络图像）中存在不可预测的损坏（例如噪声和模糊），域自适应方法越来越需要在目标域上具备抗损坏鲁棒性。本文研究了一项新任务——抗损坏鲁棒域自适应（CRDA）：在原始数据上保持准确，并对训练时不可用的目标域损坏具有鲁棒性。由于较大的域差异和无监督目标域，该任务并非易事。我们观察到，将流行的域自适应方法与抗损坏鲁棒方法简单结合会得到次优的 CRDA 结果。我们提出了一种基于两项 CRDA 技术洞察的新方法：1）一个易于插入的模块——域差异生成器（DDG），它生成扩大域差异的样本以模拟不可预测的损坏；2）一个简单而有效的带对比损失的师生方案，以增强对目标域的约束。实验验证，DDG 在原始数据上保持甚至提升了性能，并比基线取得了更好的抗损坏鲁棒性。
引用
@article{arxiv.2104.10376,
title = {Towards Corruption-Agnostic Robust Domain Adaptation},
author = {Yifan Xu and Kekai Sheng and Weiming Dong and Baoyuan Wu and Changsheng Xu and Bao-Gang Hu},
journal= {arXiv preprint arXiv:2104.10376},
year = {2021}
}
备注
The first literature to investigate the topic of corruption-agnostic robust domain adaptation, a new practical and challenging domain adaptation setting