基于生成模型与自集成的无监督域适应
计算机视觉与模式识别
2018-12-04 v1
摘要
跨不同数据集迁移知识是在小规模目标数据集或仅有少量标注样本可用时成功训练深度模型的重要方法。本文旨在开发一种能够跨多个域偏移泛化的模型，从而可从单一源域适应到多个目标域。这可以通过随机化不同风格数据的生成来缓解域失配来实现。首先，我们对CycleGAN模型提出一种新的改进，以在两个不同域的图像批次间产生随机风格迁移。其次，我们利用带有教师和学生模型的自集成技术，在原始数据与生成数据上训练，从而提升分类器性能。最后，我们在Office-31、Office-Home和Visual Domain adaptation三个数据集上给出实验结果。结果表明，自集成优于使用新生成数据的简单数据增强，且以此方式训练的单一模型可在所有不同的迁移任务中取得最佳性能。
引用
@article{arxiv.1812.00479,
title = {Unsupervised Domain Adaptation using Generative Models and Self-ensembling},
author = {Eman T. Hassan and Xin Chen and David Crandall},
journal= {arXiv preprint arXiv:1812.00479},
year = {2018}
}