通过生成式学习实现公平跨域自适应
计算机视觉与模式识别
2020-11-04 v2
摘要
域自适应（Domain Adaptation, DA）旨在将训练于标注良好的源域上的模型适配到处于不同分布下的无标注目标域。现有 DA 通常假设标注良好的源域在类别上是均衡的，即每个源类的大小相对相似。然而，在真实世界应用中，由于数据收集和标注的困难，源域中某些类别的标注样本可能极少，导致在这些少样本类别上目标域的性能下降。为进行公平的跨域自适应并提升这些少数类别上的性能，我们提出了一种新颖的生成式少样本跨域自适应（Generative Few-shot Cross-domain Adaptation, GFCA）算法用于公平跨域分类。具体而言，探索生成式特征增强为少样本源类合成有效的训练数据，而有效的跨域对齐旨在从源域迁移知识以促进目标域学习。在两个大型跨域视觉数据集上的实验结果证明了我们所提方法在对比最先进的 DA 方法时，在提升少样本和整体分类精度方面的有效性。
引用
@article{arxiv.2003.02366,
title = {Towards Fair Cross-Domain Adaptation via Generative Learning},
author = {Tongxin Wang and Zhengming Ding and Wei Shao and Haixu Tang and Kun Huang},
journal= {arXiv preprint arXiv:2003.02366},
year = {2020}
}