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、識別子のない敵対的ベースの教師なしドメイン適応 (UDA) を提案します。
最近、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いくつかの試みが行われています。
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、1 つの大きな欠点があります。
分類タスクと識別タスクが切り離されているため、ドメイン不変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。
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を導入することで、この問題を克服することを提案します。
具体的には、2 つのクラスターを区別するために、2 成分混合ガウス モデル (GMM) がソース予測とターゲット予測に適合されます。
これにより、各成分のガウス分布を抽出できます。
結果として得られるガウス分布は、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 つの異なるタイプのドメイン シフトをカバーするいくつか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 が精度の点で既存の最先端の手法を上回り、必要なパラメータの数が少ないことを示しています。
コードは github.com/cvi2snt/DDA-MLIC で公開されています。

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. Recently, 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 one major shortcoming. The learning of domain-invariant features may harm their task-specific discriminative power, since the classification and discrimination tasks are decoupled. Herein, we propose to overcome this issue 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 in order to distinguish between 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 several multi-label image datasets covering three different types of domain shift. The obtained results demonstrate that DDA-MLIC outperforms existing state-of-the-art methods in terms of precision while requiring a lower number of parameters. The code is publicly available at github.com/cvi2snt/DDA-MLIC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google