基于不确定性特征对齐的无监督域适应
计算机视觉与模式识别
2020-09-15 v1
摘要
无监督域适应（UDA）处理将带有标签数据的给定源域上的模型适应到无标签目标域的问题。在本文中，我们利用模型固有的预测不确定性来完成域适应任务。该不确定性通过蒙特卡洛 dropout 度量，并用于我们提出的基于不确定性的滤波与特征对齐（UFAL），其结合了不确定特征损失（UFL）函数和基于不确定性的滤波（UBF）方法，用于在欧氏空间中对齐特征。我们的方法超越了最近提出的架构，并在多个具有挑战性的数据集上取得了最先进（SOTA）的结果。代码已在项目网站上提供。
引用
@article{arxiv.2009.06483,
title = {Unsupervised Domain Adaptation by Uncertain Feature Alignment},
author = {Tobias Ringwald and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2009.06483},
year = {2020}
}
备注
Accepted at the 31st British Machine Vision Virtual Conference (BMVC 2020)