通过跨域桥接学习实现无监督域泛化
计算机视觉与模式识别
2022-05-18 v2
摘要
人类视觉系统的一项基本能力，是将习得的表征泛化到差异显著的视觉域之间，例如真实照片、剪贴画、绘画与草图之间。本文不同于大多数利用部分（或全部）源域监督的跨域工作，我们研究一种相对新颖且非常实用的无监督域泛化（UDG）设定：源域和目标域在训练中均无监督。我们的方法基于对跨域桥接（BrAD）的自监督学习——BrAD是一个辅助桥接域，并配有一组从各训练域到BrAD的保持语义的视觉（图像到图像）映射。BrAD及其映射与一个对比自监督表征模型联合（端到端）学习，该模型将每个域语义对齐到其BrAD投影，从而隐式地驱动所有域（已见或未见）彼此语义对齐。本文展示了通过使用边缘正则化的BrAD，我们的方法在多个基准和一系列任务上取得显著提升，包括UDG、少样本无监督域自适应（UDA），以及跨多域数据集的无监督泛化（包括向未见域和未见类的泛化）。
引用
@article{arxiv.2112.02300,
title = {Unsupervised Domain Generalization by Learning a Bridge Across Domains},
author = {Sivan Harary and Eli Schwartz and Assaf Arbelle and Peter Staar and Shady Abu-Hussein and Elad Amrani and Roei Herzig and Amit Alfassy and Raja Giryes and Hilde Kuehne and Dina Katabi and Kate Saenko and Rogerio Feris and Leonid Karlinsky},
journal= {arXiv preprint arXiv:2112.02300},
year = {2022}
}