面向视觉分类的无监督域扩展
计算机视觉与模式识别
2021-04-02 v1
摘要
无需额外标注即可将视觉分类扩展至新域，一直是多媒体智能领域的长期关注点。此前，该挑战通常通过无监督域适应（UDA）来解决。给定源域的标注数据与目标域的无标注数据，UDA 寻求一种既有判别力又域不变的深度表示。虽然 UDA 聚焦于目标域，但我们认为源域和目标域上的性能都至关重要，因为在实际应用中测试样本来自哪个域是未知的。本文通过提出一项称为无监督域扩展（UDE）的新任务来拓展 UDA，该任务旨在利用目标域的无标注数据使其适应深度模型，同时维持模型在源域上的性能。我们提出知识蒸馏域扩展（KDDE）作为 UDE 任务的通用方法。其域适应模块可用任何现有模型实例化。我们开发了基于知识蒸馏的学习机制，使 KDDE 能够优化单一目标，其中源域和目标域被平等对待。在两个主要基准 Office-Home 和 DomainNet 上的大量实验表明，在 UDA 和 UDE 任务上，KDDE 均优于 DDC、DANN、DAAN 和 CDAN 四个有竞争力的基线。我们的研究还揭示，当前 UDA 模型以提升目标域性能为代价，在源域上出现了显著的性能损失。
引用
@article{arxiv.2104.00233,
title = {Unsupervised Domain Expansion for Visual Categorization},
author = {Jie Wang and Kaibin Tian and Dayong Ding and Gang Yang and Xirong Li},
journal= {arXiv preprint arXiv:2104.00233},
year = {2021}
}
备注
accepted as regular paper by ACM Transactions on Multimedia Computing Communications and Applications (TOMM). Project URL https://github.com/li-xirong/ude