Noisy Universal Domain Adaptation via Divergence Optimization for Visual Recognition

​

Noisy Universal Domain Adaptation via Divergence Optimization for Visual
Recognition

解决问题：该论文旨在解决无监督领域自适应（Universal Domain Adaptation, UniDA）中存在的问题，即现有UniDA方法依赖于带有正确注释的源域样本，而在实际应用中，很难获得大量完全干净的标记数据。

关键思路：该论文提出了一种名为Noisy UniDA的新颖场景，其中分类器使用来自源域的有噪标记数据以及具有不确定类分布的目标域未标记数据进行训练。论文提出了一个多头卷积神经网络框架，该框架包括一个通用特征生成器和多个具有不同决策边界的分类器。通过优化各个分类器输出之间的差异，可以检测源域中的噪声样本，识别目标域中的未知类别，并对源域和目标域的分布进行对齐。

其他亮点：该论文的实验设计合理，使用了多个数据集进行验证，并开源了代码。该方法在各种领域自适应场景中表现出色，具有很高的研究价值。

关于作者：Qing Yu、Atsushi Hashimoto和Yoshitaka Ushiku是该论文的主要作者，他们分别来自日本东京大学和国立情报学研究所。他们的代表作包括“Unsupervised Domain Adaptation by Backpropagation”和“Domain-Adversarial Training of Neural Networks”。

相关研究：近期其他相关的研究包括：“Deep Adversarial Attention Alignment for Unsupervised Domain Adaptation”（作者：Jie Zhang，机构：西安电子科技大学）、“Adversarial Open Domain Adaption for Semantic Segmentation”（作者：Yun-Chun Chen，机构：台湾清华大学）等。

论文摘要：这篇论文提出了一种新的场景，称为“有噪声的通用域自适应”（Noisy UniDA），其中分类器使用来自源域的有噪声标签数据以及具有不确定类分布的目标域的未标记域数据进行训练。为了解决Noisy UniDA中面临的所有挑战，本文提出了一个多头卷积神经网络框架，它包括一个单一的公共特征生成器和多个带有各种决策边界的分类器。我们可以检测源域中的噪声样本，识别目标域中的未知类别，并通过优化各个分类器输出之间的差异来对齐源域和目标域的分布。经过对各种领域适应场景的彻底分析后，所提出的方法在大多数设置中优于现有方法。源代码可在url{https://github.com/YU1ut/Divergence-Optimization}上获得。

​Read More