通过自监督实现的通用域自适应
计算机视觉与模式识别
2020-10-07 v3
摘要
无监督域自适应方法传统上假设所有源类别都存在于目标域中。实际上，两个域之间的类别重叠可能鲜为人知。尽管一些方法处理了具有部分或开集类别的目标设定，它们假定该特定设定是先验已知的。我们提出了一种更普遍适用的域自适应框架，可处理任意类别偏移，称为基于熵优化的域自适应邻域聚类（DANCE）。DANCE 结合了两个新思路：首先，由于我们无法完全依赖源类别来学习对目标域有判别力的特征，我们提出了一种新颖的邻域聚类技术，以自监督方式学习目标域的结构。其次，我们使用基于熵的特征对齐与拒绝，将目标特征与源对齐，或根据其熵将其作为未知类别拒绝。我们通过大量实验表明，DANCE 在开集、开部分与部分域自适应设定下均优于基线方法。实现代码见 https://github.com/VisionLearningGroup/DANCE。
引用
@article{arxiv.2002.07953,
title = {Universal Domain Adaptation through Self Supervision},
author = {Kuniaki Saito and Donghyun Kim and Stan Sclaroff and Kate Saenko},
journal= {arXiv preprint arXiv:2002.07953},
year = {2020}
}
备注
Accepted to NeurIPS2020