基于假设转移和标签转移的源数据无监督领域自适应

作者: | Jian Liang | Dapeng Hu | Yunbo Wang | Ran He | Jiashi Feng |

摘要:无监督域自适应(UDA)旨在将知识从相关但不同的良好标记的源域转移到新的未标记的目标域。大多数现有的UDA方法需要访问源数据,因此当数据是机密的且由于隐私问题而不可共享时,这些方法不适用。本文旨在撞击一个现实的设置,只有一个可用的分类模型训练,而不是访问,源数据。为了有效地利用源模型进行自适应,我们提出了一种称为源假设转移(Shot)的新方法,它通过将目标数据特征拟合到冻结的源分类模块(代表分类假设)来学习目标领域的特征提取模块。具体地说,Sshot利用信息最大化和自监督学习来进行特征提取模块的学习,以确保目标特征通过相同的假设与不可见的源数据的特征隐式对齐。此外,我们还提出了一种新的标记传递策略,该策略根据预测的可信度(标记信息)将目标数据分成两部分,然后使用半监督学习来提高目标域中可信度较低的预测的准确性。如果预测是通过Shot获得的,我们将标记转移表示为Shot++。在数字分类和目标识别任务上的大量实验表明,Shot和Sshot++取得了超过或接近最新水平的结果,证明了我们方法在各种视觉领域自适应问题上的有效性。

论文地址

https://arxiv.org/abs/2012.07297v1

下载地址

https://arxiv.org/pdf/2012.07297v1.pdf

全部源码

https://github.com/tim-learn/SHOT-plus

https://github.com/tim-learn/SHOT 类型: pytorch

领域自适应对象识别自监督学习无监督领域自适应

相关推荐

暂无评论

微信扫一扫,分享到朋友圈

基于假设转移和标签转移的源数据无监督领域自适应