VisDA-2021 竞赛：旨在提升分布外数据性能的通用域自适应
机器学习
2021-07-26 v1
摘要
机器学习的进展通常通过在同一数据分布（即同一域）上训练和测试模型来衡量。这高估了其在分布外数据上的未来准确率。视觉域自适应 (Visual Domain Adaptation, VisDA) 2021 竞赛测试了模型适应新测试分布并处理分布偏移的能力。我们为图像分类器设置了无监督域自适应挑战，并将评估对新视角、背景、模态和质量下降的自适应能力。我们的挑战利用了大规模公开可用的数据集，但构建的是跨域评估，而非传统的域内基准测试。此外，我们关注困难的“通用”设定，在该设定中，除了输入分布漂移外，方法还可能在目标数据集中遇到缺失和/或新类别。性能将使用严格的协议来衡量，并借助既定指标与最先进的域自适应方法进行比较。我们相信，该竞赛将鼓励机器学习方法在许多部署场景中处理真实数据能力的进一步提升。
引用
@article{arxiv.2107.11011,
title = {VisDA-2021 Competition Universal Domain Adaptation to Improve Performance on Out-of-Distribution Data},
author = {Dina Bashkirova and Dan Hendrycks and Donghyun Kim and Samarth Mishra and Kate Saenko and Kuniaki Saito and Piotr Teterwak and Ben Usman},
journal= {arXiv preprint arXiv:2107.11011},
year = {2021}
}
备注
Neurips 2021 Competition Track