基于度量学习的开集域适应网络

针对现有开集域适应神经网络分类准确率不高、分类准确率易受目标域未知类类别数影响的问题,提出了一种基于度量学习的开集域适应网络(metric learning based open set domain adaptation,ML-OSDA)。该网络在通用适应网络(universal adaptation network,UAN)上引入L2范数归一化层及度量学习辅助适应网络(metric-learning-assisted domain adaptation,MLA-DA)。通过将不同模长的特征向量压缩聚类,并在分类时设置动态边界阈值,ML-OSDA提升了域适应神经网络在开集情况下的分类准确率,同时减轻了目标域未知类类别数对分类结果的影响。在office-31数据集和Office-Home数据集上的实验表明,开集情况下,基于度量学习的开集域适应网络在分类准确率、负迁移影响和目标域未知类类别数影响方面优于现有开集域适应神经网络。

局部一致性主动学习的源域无关开集域自适应

无监督域自适应在解决训练集(源域)和测试集(目标域)分布不一致的问题上已经取得了一定的成功.在面向低能耗场景和开放动态任务环境时,在资源约束和开放类别出现的情况下,现有的无监督域自适应方法面临着严峻的挑战.源域无关开集域自适应(SF-ODA)旨在将源域模型中的知识迁移到开放类出现的无标签目标域,从而在无源域数据资源的限制下辨别公共类和检测开放类.现有的源域无关开集域自适应的方法聚焦于设计准确检测开放类别的源域模型或增改模型的结构.但是,这些方法不仅需要额外的存储空间和训练开销,而且在严格的隐私保护场景下难以实现.提出了一个更加实际的场景:主动学习的源域无关开集域自适应(ASF-ODA),目标是基于一个普通训练的源域模型和少量专家标注的有价值的目标域样本来实现鲁棒的迁移.为了达成此目标,提出了局部一致性主动学习(LCAL)算法.首先,利用目标域中局部特征标签一致的特点,LCAL设计了一种新的主动选择方法:局部多样性选择,来挑选更有价值的阈值模糊样本来促进开放类和公共类分离.接着,LCAL基于信息熵初步筛选出潜在的公共类集合和开放类集合,并利用第一步得到的主动标注样本对这两个集合进行匹配纠正,得到两个对应的可信集合.最后,LCAL引入开集损失和信息最大化损失来进一步促使公共类和开放类分离,引入交叉熵损失来实现公共类的辨别.在Office-31、Office-Home和VisDA-C这3个公开的基准数据集上的大量实验表明:在少量有价值的目标域样本的帮助下,LCAL不仅显著优于现有的源域无关开集域自适应方法,还大幅度超过了现有的主动学习方法的表现,在某些迁移任务上可以提升20%.

基于对抗学习的开集域自适应分类

通过域自适应方法,利用标记的源域样本实现未标记目标域样本的识别,目前逐渐成为机器视觉领域一个新的研究热点。与传统的闭集域自适应问题不同,开集域自适应中的目标域包含源域中未出现的类别,因此该问题的研究更为贴近实际场景,但同时也增加了识别难度。文中提出了一种基于反向传播开集域自适应的方法,该方法利用对抗思想实现了域不变特征的提取,同时通过设置阈值实现目标域中未知类别样本的消除。在两个公共域自适应数据集上的大量实验结果表明,与以前的方法相比,文中提出的奇异值平衡提高了模型的识别率,在一定程度上有效解决了开集域自适应的问题。