基于结构正则化深度聚类的无监督域适应
计算机视觉与模式识别
2020-03-20 v1
摘要
无监督域适应（UDA）旨在给定源域上分布偏离目标域的带标签数据的情况下，对目标域上的无标签数据进行预测。主流 UDA 方法学习两域之间对齐的特征，使得在源域特征上训练的分类器可直接应用于目标域特征。然而，这种迁移策略存在破坏目标数据内在判别性的潜在风险。为缓解该风险，我们受结构域相似性假设的启发，提出通过对目标数据进行判别性聚类来直接揭示其内在目标判别性。我们利用基于所假设结构域相似性的结构源正则化来约束聚类解。技术上，我们采用基于深度网络的判别性聚类灵活框架，其最小化网络预测标签分布与引入的辅助分布之间的 KL 散度；将该辅助分布替换为源数据真实标签所构成的分布，可通过简单的联合网络训练策略实现结构源正则化。我们将所提方法称为结构正则化深度聚类（SRDC），其中我们还通过中间网络特征的聚类增强目标判别性，并通过软选择差异较小的源样本增强结构正则化。细致的消融研究显示了我们所提 SRDC 的有效性。值得注意的是，在无需显式域对齐的情况下，SRDC 在三个 UDA 基准上优于所有现有方法。
引用
@article{arxiv.2003.08607,
title = {Unsupervised Domain Adaptation via Structurally Regularized Deep Clustering},
author = {Hui Tang and Ke Chen and Kui Jia},
journal= {arXiv preprint arXiv:2003.08607},
year = {2020}
}
备注
14 pages, 5 figures, 8 tables, accepted by CVPR2020 - Oral