在半监督领域自适应问题的目标域数据中对每个类别赋予少量有标签样本可引导其余的无标签目标域样本的特征聚集在它们周围。但是,如此经过训练后的模型无法为目标域生成具有高度区分性的特征表示,因为训练过程主要由来自源域的有标签样本主导。这就可能导致有标签和无标签的目标域样本之间的特征缺乏连结以及目标域和源域样本之间的特征进行错位对齐。在本文中,作者们提出了一种新的被称为跨域自适应聚类的算法来解决这个问题。为了同时实现不同领域间和同一领域内的自适应,我们首先引入了一个对抗性自适应聚类损失函数来对无标签目标域样本的特征进行分组聚类,并在源域和目标域之间以聚类簇的形式进行跨域特征对齐。另外,我们进一步将“Pseudo labeling”技术应用于目标域中无标签样本,并对具有较高的置信度的样本赋予“伪标签”。该技术扩充了目标域中每个类别的“有标签样本”的数量使得每个类别可以产生了更加鲁棒、强大的聚类簇中心,从而促进对抗学习过程。我们在包括DomainNet、Office-Home和Office在内的基准数据集上进行的大量实验,结果表明我们所提出的方法能够在半监督域自适应中实现最优性能。

论文链接:https://www.zhuanzhi.ai/paper/bca546caa350082ff63382cc18636077

代码链接:https://github.com/lijichang/CVPR2021-SSDA

成为VIP会员查看完整内容
56

相关内容

专知会员服务
29+阅读 · 2021年5月6日
专知会员服务
20+阅读 · 2021年5月1日
【CVPR2021】现实世界域泛化的自适应方法
专知会员服务
53+阅读 · 2021年3月31日
专知会员服务
32+阅读 · 2021年3月7日
【AAAI2021】基于内容迁移的无监督领域自适应语义分割
专知会员服务
17+阅读 · 2020年12月25日
【ICML 2020 】小样本学习即领域迁移
专知
5+阅读 · 2020年6月26日
快速且不需要超参的无监督聚类方法
极市平台
3+阅读 · 2019年12月9日
CVPR 2019 Oral 论文解读 | 无监督域适应语义分割
AI科技评论
49+阅读 · 2019年5月29日
CVPR 2018 | 无监督语义分割之全卷积域适应网络
极市平台
8+阅读 · 2018年6月28日
一文解读聚类中的两种流行算法
量子位
6+阅读 · 2017年11月20日
基于聚类和决策树的链路预测方法
计算机研究与发展
8+阅读 · 2017年8月25日
Arxiv
0+阅读 · 2021年7月7日
Arxiv
0+阅读 · 2021年7月7日
Anomalous Instance Detection in Deep Learning: A Survey
Multi-Label Learning with Label Enhancement
Arxiv
4+阅读 · 2019年4月16日
VIP会员
相关VIP内容
专知会员服务
29+阅读 · 2021年5月6日
专知会员服务
20+阅读 · 2021年5月1日
【CVPR2021】现实世界域泛化的自适应方法
专知会员服务
53+阅读 · 2021年3月31日
专知会员服务
32+阅读 · 2021年3月7日
【AAAI2021】基于内容迁移的无监督领域自适应语义分割
专知会员服务
17+阅读 · 2020年12月25日
相关资讯
【ICML 2020 】小样本学习即领域迁移
专知
5+阅读 · 2020年6月26日
快速且不需要超参的无监督聚类方法
极市平台
3+阅读 · 2019年12月9日
CVPR 2019 Oral 论文解读 | 无监督域适应语义分割
AI科技评论
49+阅读 · 2019年5月29日
CVPR 2018 | 无监督语义分割之全卷积域适应网络
极市平台
8+阅读 · 2018年6月28日
一文解读聚类中的两种流行算法
量子位
6+阅读 · 2017年11月20日
基于聚类和决策树的链路预测方法
计算机研究与发展
8+阅读 · 2017年8月25日
微信扫码咨询专知VIP会员