基于风格感知自中间域的无监督域适应
计算机视觉与模式识别
2025-02-04 v3 人工智能
摘要
无监督域适应(UDA)已引起相当关注，其将知识从富标签源域迁移到相关但无标签的目标域。减小域间差异一直是提升UDA性能的关键因素，尤其是对于源域和目标域差距较大的任务。为此，我们提出一种新颖的风格感知特征融合方法(SAFF)以弥合大域差距并迁移知识，同时缓解类别判别信息的损失。受人类传递推理和学习能力的启发，我们研究了一种新颖的风格感知自中间域(SSID)，通过一系列中间辅助合成概念来连接两个看似无关的概念。具体而言，我们提出一种SSID的新学习策略，其从源域和目标域中选择样本作为锚点，然后随机融合这些锚点的对象与风格特征，生成富含标签和风格的用于知识迁移的中间辅助特征。此外，我们设计了一个外部记忆库来存储和更新指定标签特征，以获得稳定的类别特征和类别级风格特征。基于所提出的记忆库，分别设计了域内和域间损失函数以提升类别识别能力和特征兼容性。同时，我们通过无限采样模拟SSID的丰富潜在特征空间，并从数学理论证明损失函数的收敛性。最后，我们在常用域适应基准上进行了综合实验来评估所提出的SAFF，实验结果表明所提出的SAFF可轻松与不同骨干网络结合，并作为即插即用模块获得更好性能。
引用
@article{arxiv.2209.01870,
title = {Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain},
author = {Lianyu Wang and Meng Wang and Daoqiang Zhang and Huazhu Fu},
journal= {arXiv preprint arXiv:2209.01870},
year = {2025}
}
备注
13 pages, 7 figures