面向通用域适应的统一最优传输框架
计算机视觉与模式识别
2023-01-12 v2
摘要
通用域适应（UniDA）旨在将知识从源域迁移至目标域，且对标签集无任何约束。由于两域均可能含有私有类别，识别目标公共样本以进行域对齐是 UniDA 中的关键问题。多数现有方法需要手动指定或手工调节的阈值来检测公共样本，因而因公共类别比例多样而难以推广至更现实的 UniDA。此外，它们无法识别目标私有样本间的不同类别，因为这些私有样本被当作整体处理。本文提出在统一框架下使用最优传输（OT）处理这些问题，即 UniOT。首先，设计一种基于 OT 的带自适应填充的部分对齐，无需任何预定义阈值即可检测公共类别，适用于现实 UniDA。它可基于 OT 所得分配矩阵的统计信息自动发现公共与私有类别间的内在差异。其次，我们提出一种基于 OT 的目标表示学习，鼓励样本的全局判别性与局部一致性，以避免对源的过度依赖。值得注意的是，UniOT 是首个能自动发现并识别目标域中私有类别的 UniDA 方法。相应地，我们引入新指标 H^3-score 以从公共样本准确率和私有样本聚类性能两方面评估表现。大量实验清晰展示了 UniOT 相对于广泛前沿 UniDA 方法的优势。
引用
@article{arxiv.2210.17067,
title = {Unified Optimal Transport Framework for Universal Domain Adaptation},
author = {Wanxing Chang and Ye Shi and Hoang Duong Tuan and Jingya Wang},
journal= {arXiv preprint arXiv:2210.17067},
year = {2023}
}
备注
Accepted by NeurIPS2022