用于无监督域适应的虚拟混合训练
计算机视觉与模式识别
2019-09-09 v4
摘要
我们研究无监督域适应问题，其旨在将标注源域上训练的模型适配至完全无标注的目标域。近来，聚类假设被应用于无监督域适应并取得了强劲性能。成功训练聚类假设的一个关键因素是向模型施加局部 Lipschitz 约束。现有方法仅在训练点附近施加局部 Lipschitz 约束，而忽略了其他区域，例如训练数据之间的点。本文中，我们通过鼓励模型在训练点之间呈线性行为来解决此问题。我们提出一种称为虚拟混合训练（VMT）的新正则化方法，能够将局部 Lipschitz 约束引入训练数据之间的区域。与传统 mixup 模型不同，我们的方法在不使用标签信息的情况下构造组合样本，从而可应用于无监督域适应。所提方法具有通用性，可与大多数现有模型结合，例如近期称为 VADA 的最优模型。大量实验表明，VMT 在六个域适应基准数据集上显著提升了 VADA 的性能。对于 MNIST 到 SVHN 这一具有挑战性的适配任务，VMT 能将 VADA 的准确率提升超过 30%。代码见 \url{https://github.com/xudonma/VMT}。
引用
@article{arxiv.1905.04215,
title = {Virtual Mixup Training for Unsupervised Domain Adaptation},
author = {Xudong Mao and Yun Ma and Zhenguo Yang and Yangbin Chen and Qing Li},
journal= {arXiv preprint arXiv:1905.04215},
year = {2019}
}