使用紧凑内部表示的无监督域适应
计算机视觉与模式识别
2024-01-17 v1
摘要
解决无监督域适应的一项主要技术涉及将源域和目标域的数据点映射到一个共享的嵌入空间。训练映射到嵌入空间的编码器，使得嵌入空间变得与域无关，从而允许在源域上训练的分类器在目标域上也能很好地泛化。为了进一步提升无监督域适应（UDA）的性能，我们开发了一种附加技术，使源域的内部分布更加紧凑，从而提高模型在目标域中的泛化能力。我们证明，通过增加嵌入空间中不同类别的数据表示之间的间隔，可以提升UDA的模型性能。为了使内部表示更加紧凑，我们将源域内部学习的多模态分布估计为高斯混合模型（GMM）。利用估计的GMM，我们增强了源域中不同类别之间的分离度，从而减轻了域偏移的影响。我们提供了理论分析来支持我们方法的优越性能。为了评估我们方法的有效性，我们在广泛使用的UDA基准数据集上进行了实验。结果表明，我们的方法增强了模型的泛化能力，并优于现有技术。
引用
@article{arxiv.2401.07207,
title = {Unsupervised Domain Adaptation Using Compact Internal Representations},
author = {Mohammad Rostami},
journal= {arXiv preprint arXiv:2401.07207},
year = {2024}
}