UBR$^2$S：面向无监督域适应的基于不确定性的重采样与重加权策略
计算机视觉与模式识别
2021-10-25 v1
摘要
无监督域适应（UDA）处理的是在仅有给定源域带标注数据的情况下，将模型适应到无标注目标域的过程。这带来了一项具有挑战性的任务，因为若不加处理，源域与目标域实例之间的域偏移会降低模型性能。本文中，我们提出 UBRS——基于不确定性的重采样与重加权策略（Uncertainty-Based Resampling and Reweighting Strategy）——来解决该问题。UBRS 采用基于蒙特卡洛 dropout 的不确定性估计来获得逐类概率分布，随后将其用于伪标签的动态重采样，并基于样本似然及伴随的决策误差进行重加权。我们提出的方法在多个 UDA 数据集上的单源与多源适应任务中均取得了 SOTA 结果，并且可应用于任何现成的网络架构。我们的方法代码可在 https://gitlab.com/tringwald/UBR2S 获取。
引用
@article{arxiv.2110.11739,
title = {UBR$^2$S: Uncertainty-Based Resampling and Reweighting Strategy for Unsupervised Domain Adaptation},
author = {Tobias Ringwald and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2110.11739},
year = {2021}
}
备注
Accepted at the 32nd British Machine Vision Conference (BMVC 2021)