【南京航空航天大学陈松灿教授团队】无监督领域自适应中的子空间渐进式适应方法 【论文标题】Unsupervised Domain Adaptation with Progressive Adaptation of Subspaces
【作者团队】Weikai Li, Songcan Chen 【发表时间】2020/9/1 【论文链接】https://arxiv.org/abs/2009.00520 【参考链接】https://github.com/Cavin-Lee/PAS. 【推荐理由】 本文来自南京航空航天大学模式识别与神经计算研究组陈松灿教授团队，论文针对无监督领域自适应（UDA）中容易产生模式崩溃的问题提出一种新颖的子空间渐进式适应方法来解决该问题。 无监督领域自适应(UDA)旨在通过领域转移从已标记的源域转移知识来分类未标记的目标领域。现有的大多数UDA方法试图通过减少领域差异来减少由转移引起的不良影响。然而，由于目标域中缺少标签，此类方法容易产生模式崩溃的问题。因此，减轻此问题的一种有效方法是可靠地估计目标域的伪标签，而可靠地估计目标域的伪标签本身就是一个难题。为了克服这个难题，本文提出了一种子空间渐进式适应方法（PAS），在这种方法中，作者利用一种看起来非常合理的直觉来逐渐获得可靠的伪标签。具体来说，作者通过自适应地锚定/选择和利用具有可靠伪标记的目标样本来逐步稳定地完善共享子空间，将其作为知识传递的桥梁。随后，精炼的子空间又可以提供目标域的更可靠的伪标记，使模式崩溃的难题得到极大缓解。通过实验评估表明，PAS不仅对通用UDA有效，而且在更具挑战性的部分领域自适应（PDA）情况下（其源标签集包含目标对象）优于现有最新技术。 图 1: (a)现有方法容易遭受由对准未知目标领域引起的模式崩溃问题；(b)提出PAS方法框架:通过逐步锚定具有可靠伪标记的目标样本，以细化相应的子空间。 本文主要贡献如下： 1. 本文提出一个有效的算法来实现子空间渐进自适应PAS算法，该算法逐步锚定和利用具有可靠伪标签的目标样本来细化共享子空间； 2. 本文探索了新的领域自适应方法—子空间渐进自适应（PAS），以有效地缓解领域自适应中的模式崩溃问题； 3. 本文在几个公共数据集上的实验结果证明了该方法的有效性，特别是在一个更现实和更具挑战性的场景中(即部分领域自适应)。

内容中包含的图片若涉及版权问题，请及时与我们联系删除