基于语义差异最小化的无监督开放域识别
计算机视觉与模式识别
2019-04-19 v1
摘要
我们解决无监督开放域识别（UODR）问题，其中带标签源域 S 的类别仅为无标签目标域 T 中类别的子集。任务是对 T 中所有样本（包括已知与未知类别）进行正确分类。UODR 因域间差异而具挑战性，当 T 中存在大量未知类别时，差异更难弥合。此外，图 CNN（GCN）传播的分类规则可能被未知类别干扰并缺乏泛化能力。为度量 S 与 T 间非对称标签空间的域差异，我们提出语义引导匹配差异（SGMD），其先执行 S 与 T 间的实例匹配，再通过匹配实例间的加权特征距离度量差异。我们进一步设计有限平衡约束以在已知与未知类别上获得更均衡的分类输出。我们开发了无监督开放域迁移网络（UODTN），通过减小 SGMD、施加有限平衡约束以及最小化 S 上的分类损失，联合学习骨干分类网络与 GCN。UODTN 更好地保留了语义结构并增强了所学域不变视觉特征与语义嵌入之间的一致性。实验结果表明我们的方法在已知与未知类别图像识别上的优越性。
引用
@article{arxiv.1904.08631,
title = {Unsupervised Open Domain Recognition by Semantic Discrepancy Minimization},
author = {Junbao Zhuo and Shuhui Wang and Shuhao Cui and Qingming Huang},
journal= {arXiv preprint arXiv:1904.08631},
year = {2019}
}
备注
Accepted to CVPR 2019, 10 pages, 4 figures