基于高置信伪标签双分类器的无监督域适应方法
计算机视觉与模式识别
2021-05-12 v1
摘要
无监督域适应（UDA）旨在解决从有标签源域到无标签目标域的知识迁移问题。近来，许多域适应（DA）方法利用质心对齐不同域的局部分布，即对齐不同类别。这提升了域适应效果，但域差异不仅存在于类间，也存在于样本间。本文重新思考不同域之间的对齐是什么，并研究如何实现不同域之间的真正对齐。以往的 DA 方法仅考虑对齐样本的一种分布特征，如全分布或局部分布。除对齐全局分布外，真实的域适应还应对齐中观分布与微观分布。因此，本研究提出一种基于高置信标签的双分类器方法（DCP）。通过对齐不同分类器的质心及质心与样本间的分布，实现了不同域的中观与微观分布对齐。此外，为减少错误标注引发的链式误差，本研究提出高置信标注方法以降低标注错误。为验证其通用性，本研究在数字识别与目标识别数据集上评估 DCP。结果表明，我们的方法在当前多数域适应基准数据集上取得了最先进的性能。
引用
@article{arxiv.2105.04729,
title = {Unsupervised domain adaptation via double classifiers based on high confidence pseudo label},
author = {Huihuang Chen and Li Li and Jie Chen and Kuo-Yi Lin},
journal= {arXiv preprint arXiv:2105.04729},
year = {2021}
}
备注
8 pages