迈向标注目标样本价值的实现：一种半监督域自适应的两阶段方法
计算机视觉与模式识别
2023-04-24 v1 人工智能
摘要
半监督域自适应（SSDA）是近年来兴起的研究课题，它从被广泛研究的无监督域自适应（UDA）扩展而来，进一步拥有少量标注的目标样本，即模型使用标注的源样本、未标注的目标样本以及少量标注的目标样本进行训练。与UDA相比，SSDA的关键在于如何最有效地利用少量标注的目标样本。现有的SSDA方法简单地将少量珍贵的标注目标样本并入大量的标注源样本中或进一步对齐它们，这稀释了标注目标样本的价值，从而仍然得到一个有偏的模型。为弥补这一点，本文提出将SSDA解耦为一个UDA问题和一个半监督学习问题：首先使用标注源样本和未标注目标样本学习一个UDA模型，然后以半监督方式利用标注和未标注目标样本对学到的UDA模型进行自适应。通过分别利用标注源样本和标注目标样本，偏差问题可以得到很好的缓解。我们进一步提出一种基于一致性学习的mean teacher模型，以有效利用标注和未标注目标样本对学到的UDA模型进行自适应。实验表明我们的方法优于现有方法。
引用
@article{arxiv.2304.10762,
title = {Towards Realizing the Value of Labeled Target Samples: a Two-Stage Approach for Semi-Supervised Domain Adaptation},
author = {mengqun Jin and Kai Li and Shuyan Li and Chunming He and Xiu Li},
journal= {arXiv preprint arXiv:2304.10762},
year = {2023}
}