迈向基于少量标签的未见领域泛化
计算机视觉与模式识别
2024-05-08 v3
摘要
我们着手解决半监督领域泛化（SSDG）的挑战。具体而言，我们的目标是利用少量有标签数据以及大量无标签数据，获得一个学习领域泛化特征的模型。在 SSDG 设置下，无法利用无标签数据的现有领域泛化（DG）方法表现不如半监督学习（SSL）方法。然而，与全监督 DG 训练相比，SSL 方法在性能上仍有很大的提升空间。为解决这一研究较少但极具实用价值的 SSDG 问题，我们做出了以下核心贡献。首先，我们提出了一种基于特征的一致性技术，将特征空间的后验分布与模型输出空间的伪标签进行匹配。其次，我们开发了一种语义对齐损失，通过正则化特征空间中的语义结构来学习语义兼容的表示。我们的方法是即插即用的，可以轻松集成到不同的基于 SSL 的 SSDG 基线中，而无需引入任何额外参数。在五个具有挑战性的 DG 基准和四个强大的 SSL 基线上的广泛实验结果表明，我们的方法在两种不同的 SSDG 设置下均提供了一致且显著的性能提升。
引用
@article{arxiv.2403.11674,
title = {Towards Generalizing to Unseen Domains with Few Labels},
author = {Chamuditha Jayanga Galappaththige and Sanoojan Baliah and Malitha Gunawardhana and Muhammad Haris Khan},
journal= {arXiv preprint arXiv:2403.11674},
year = {2024}
}
备注
Accepted at CVPR 2024