面向开放集域适应的新目标发现
计算机视觉与模式识别
2021-08-13 v4
摘要
开放集域适应（OSDA）考虑目标域包含外部源域中未观测到的新类别样本。遗憾的是，现有 OSDA 方法总是忽略对未知类别信息的需求，仅将其识别为“未知”集合而不作进一步解释。这促使我们通过探索底层结构并恢复其可解释的语义属性，来更具体地理解未知类别。在本文中，我们提出了一种新颖框架，用于准确识别目标域中的已见类别，并有效恢复未见类别的语义属性。具体而言，开发了结构保持的部分对齐，通过域不变特征学习来识别已见类别。设计了视觉图上的属性传播，通过视觉-语义映射将属性从已见类别平滑过渡到未见类别。此外，构建了两个新的跨主干基准，以在新颖且实际的挑战中评估所提出的框架。在开放集识别和语义恢复上的实验结果表明，所提方法优于其他对比基线。
引用
@article{arxiv.2105.02432,
title = {Towards Novel Target Discovery Through Open-Set Domain Adaptation},
author = {Taotao Jing and Hongfu Liu and Zhengming Ding},
journal= {arXiv preprint arXiv:2105.02432},
year = {2021}
}