Discriminator-free Unsupervised Domain Adaptation for Multi-label Image Classification

要約

この論文では、DDA-MLICと呼ばれるマルチラベル画像分類（MLIC）のための、弁別子のない敵対的ベースの教師なしドメイン適応（UDA）が提案されています。
過去 2 年間、MLIC のコンテキストで敵対的ベースの UDA メソッドを導入する試みがいくつか行われてきました。
ただし、追加の識別子サブネットに依存するこれらの方法には、2 つの欠点があります。
まず、分類タスクと識別タスクが分離されているため、ドメイン不変の特徴の学習は、タスク固有の識別力を損なう可能性があります。
さらに、追加のディスクリミネータを使用すると、通常、ネットワーク サイズが増加します。
ここでは、タスク固有の分類子から直接推定される新しい敵対的批評家を導入することにより、これらの問題を克服することを提案します。
具体的には、2 成分ガウス混合モデル (GMM) がソース予測とターゲット予測に適合し、2 つのクラスターの区別が可能になります。
これにより、各コンポーネントのガウス分布を抽出できます。
得られたガウス分布は、フレシェ距離に基づいて敵対的損失を定式化するために使用されます。
提案された方法は、3 つのマルチラベル画像データセットで評価されます。
得られた結果は、DDA-MLIC が既存の最先端の方法よりも優れている一方で、必要なパラメーターの数が少ないことを示しています。

要約(オリジナル)

In this paper, a discriminator-free adversarial-based Unsupervised Domain Adaptation (UDA) for Multi-Label Image Classification (MLIC) referred to as DDA-MLIC is proposed. Over the last two years, some attempts have been made for introducing adversarial-based UDA methods in the context of MLIC. However, these methods which rely on an additional discriminator subnet present two shortcomings. First, the learning of domain-invariant features may harm their task-specific discriminative power, since the classification and discrimination tasks are decoupled. Moreover, the use of an additional discriminator usually induces an increase of the network size. Herein, we propose to overcome these issues by introducing a novel adversarial critic that is directly deduced from the task-specific classifier. Specifically, a two-component Gaussian Mixture Model (GMM) is fitted on the source and target predictions, allowing the distinction of two clusters. This allows extracting a Gaussian distribution for each component. The resulting Gaussian distributions are then used for formulating an adversarial loss based on a Frechet distance. The proposed method is evaluated on three multi-label image datasets. The obtained results demonstrate that DDA-MLIC outperforms existing state-of-the-art methods while requiring a lower number of parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google