通过缓解公共类偏差实现通用半监督领域自适应
计算机视觉与模式识别
2024-03-19 v1
摘要
领域自适应是机器学习中的一项关键任务，旨在利用相关源域的知识来提升模型在目标域上的性能。本文引入了通用半监督领域自适应（UniSSDA），这是一种实用且具挑战性的设定，其中目标域是部分标注的，且源域和目标域的标签空间可能并不严格匹配。UniSSDA 处于通用领域自适应（UniDA）和半监督领域自适应（SSDA）的交叉点：UniDA 设定无法对源域中未表示的目标私有类进行细粒度分类，而 SSDA 则侧重于源域和目标域标签空间完全匹配的受限闭集设定。现有的 UniDA 和 SSDA 方法在 UniSSDA 设定下容易受到公共类偏差的影响，即模型会过拟合两个域共有的类别数据分布，从而牺牲私有类。我们提出了一种新的先验引导伪标签精炼策略，以减少由于伪标签标注（领域自适应中一种常见的标签传播策略）导致的公共类偏差强化。我们在基准数据集 Office-Home、DomainNet 和 VisDA 上证明了所提策略的有效性。所提策略在 UniSSDA 自适应设定下取得了最佳性能，并为 UniSSDA 建立了新的基线。
关键词
引用
@article{arxiv.2403.11234,
title = {Universal Semi-Supervised Domain Adaptation by Mitigating Common-Class Bias},
author = {Wenyu Zhang and Qingmu Liu and Felix Ong Wei Cong and Mohamed Ragab and Chuan-Sheng Foo},
journal= {arXiv preprint arXiv:2403.11234},
year = {2024}
}
备注
Accepted to CVPR 2024