用于基于自训练域适应的两阶段伪标签稠密化
计算机视觉与模式识别
2020-12-10 v1
摘要
近来，深度自训练方法作为无监督域适应的有力方案崭露头角。自训练流程涉及对目标数据的迭代处理：生成目标伪标签并重新训练网络。然而，由于仅将高置信度预测作为伪标签，现有自训练方法在实践中不可避免地产生稀疏伪标签。我们认为这至关重要，因为由此导致的训练信号不足会引发次优且易错模型。为应对该问题，我们提出一种新颖的两阶段伪标签稠密化框架，称为 TPLD。在第一阶段，我们利用图像内在空间相关性，通过滑动窗口投票传播高置信度预测。在第二阶段，我们执行基于置信度的易-难分类。对于易样本，我们采用其完整伪标签。对于难样本，我们转而采用对抗学习以强制难到易的特征对齐。为简化训练过程并避免噪声预测，我们向原始自训练损失引入自举机制。我们展示了所提 TPLD 可轻松集成至现有基于自训练的方法并显著改善性能。结合近期提出的 CRST 自训练框架，我们在两个标准 UDA 基准上取得新的 SOTA 结果。
引用
@article{arxiv.2012.04828,
title = {Two-phase Pseudo Label Densification for Self-training based Domain Adaptation},
author = {Inkyu Shin and Sanghyun Woo and Fei Pan and InSo Kweon},
journal= {arXiv preprint arXiv:2012.04828},
year = {2020}
}
备注
Accepted to ECCV 2020