VDM-DA：面向无源数据的域自适应的虚拟域建模
计算机视觉与模式识别
2021-03-29 v1
摘要
域自适应旨在利用富含标签的域（源域）来辅助标签稀缺域（目标域）中的模型学习。大多数域自适应方法要求源域和目标域样本共存以减小分布失配，然而在实际应用中，由于存储、传输和隐私等各类问题，对源域样本的访问并非总是可行。本文研究无源数据的无监督域自适应问题，并提出一种称为虚拟域建模（VDM-DA）的新方法。虚拟域充当源域与目标域之间的桥梁。一方面，我们基于预训练源模型在特征空间中的近似高斯混合模型（GMM）生成虚拟域样本，使得虚拟域在不访问原始源数据的情况下保持与源域相似的分布。另一方面，我们还设计了一种有效的分布对齐方法，通过模型学习逐步提升目标域分布的紧致性，以减小虚拟域与目标域之间的分布差异。由此，我们在不访问源域数据的情况下训练深度网络，成功实现了源域与目标域之间的分布对齐。我们在面向 2D 基于图像与 3D 基于点云跨域目标识别任务的基准数据集上进行了大量实验，所提的基于虚拟域建模的域自适应（VDM-DA）方法在所有数据集上均取得了最先进的性能。
引用
@article{arxiv.2103.14357,
title = {VDM-DA: Virtual Domain Modeling for Source Data-free Domain Adaptation},
author = {Jiayi Tian and Jing Zhang and Wen Li and Dong Xu},
journal= {arXiv preprint arXiv:2103.14357},
year = {2021}
}