面向无源开放集域适应的未知样本发现
计算机视觉与模式识别
2023-12-08 v1 人工智能
摘要
开放集域适应（OSDA）旨在将源域上训练的模型适应到目标域，该目标域存在分布偏移且包含源域之外的新类样本。无源 OSDA（SF-OSDA）技术消除了对源域样本的访问需求，但当前的 SF-OSDA 方法仅利用目标域中的已知类进行适应，并且即使在适应后的推理过程中也需要访问整个目标域，以区分已知和未知样本。本文引入未知样本发现（USD）作为一种 SF-OSDA 方法，该方法利用时间集成教师模型进行已知-未知目标样本分离，并利用教师与学生之间的协同训练和时间一致性，使学生在所有类别上适应目标域。USD 提出将 Jensen-Shannon 距离（JSD）作为已知-未知样本分离的有效度量。我们的教师-学生框架显著减少了由不完善的已知-未知样本分离导致的误差累积，而课程指导有助于可靠地学习目标已知与目标未知子空间之间的区分。USD 为目标模型附加了一个未知类节点，从而在后续适应后推理阶段中，能够轻松将目标样本分类为任何已知或未知类。实验结果表明，USD 优于现有的 SF-OSDA 方法，并且与在适应过程中同时利用源域和目标域的当前 OSDA 模型相比具有竞争力。
引用
@article{arxiv.2312.03767,
title = {Unknown Sample Discovery for Source Free Open Set Domain Adaptation},
author = {Chowdhury Sadman Jahan and Andreas Savakis},
journal= {arXiv preprint arXiv:2312.03767},
year = {2023}
}