One Ring to Bring Them All: Towards Open-Set Recognition under Domain Shift

要約

本論文では、ドメインシフトを伴う$textit{open-set recognition}$を研究する。最終目標は$textit{Source-free Universal Domain Adaptation}$ (SF-UNDA) であり、ソースとターゲットドメインの間にドメインシフトとカテゴリシフトが存在する場合に対処する。SF-UNDAの下では、モデルはターゲット適応中にソースデータにアクセスできなくなるため、データプライバシーに関する懸念に対処することを目的としている。本論文では、既知のソースカテゴリのみを学習対象とし、$n$個のソースカテゴリと未知のクラスを予測する($n$+1)way分類器を学習する新しい学習スキームを提案する。さらに、ターゲット適応のために、重み付きエントロピー最小化法を採用し、ソースデータのないターゲット領域に対して、ソース事前学習済みモデルを適応させるだけである。実験により、$textbf{1)}$ ソース学習後、得られたソースモデルは$textit{open-set single domain generalization}$および$textit{open-set recognition}$タスクで優れた性能を得ることができる。$textbf{2)}$ 目標適応後、我々の手法は適応中にソースデータを必要とする現在のUNDAアプローチをいくつかのベンチマークで上回ることがわかった。また，複数のタスクに適用可能であることから，本手法の有効性と汎化能力を強く証明することができた．また、ターゲット適応時に閉集合領域適応法を併用すると、Office-31, Office-Home, VisDAにおいて、それぞれ2.5%, 7.2%, 13%の性能向上を達成することができた。コードは https://github.com/Albert0147/OneRing で公開される予定です。

要約(オリジナル)

In this paper, we investigate $\textit{open-set recognition}$ with domain shift, where the final goal is to achieve $\textit{Source-free Universal Domain Adaptation}$ (SF-UNDA), which addresses the situation where there exist both domain and category shifts between source and target domains. Under the SF-UNDA setting, the model cannot access source data anymore during target adaptation, which aims to address data privacy concerns. We propose a novel training scheme to learn a ($n$+1)-way classifier to predict the $n$ source classes and the unknown class, where samples of only known source categories are available for training. Furthermore, for target adaptation, we simply adopt a weighted entropy minimization to adapt the source pretrained model to the unlabeled target domain without source data. In experiments, we show: $\textbf{1)}$ After source training, the resulting source model can get excellent performance for $\textit{open-set single domain generalization}$ and also $\textit{open-set recognition}$ tasks; $\textbf{2)}$ After target adaptation, our method surpasses current UNDA approaches which demand source data during adaptation on several benchmarks. The versatility to several different tasks strongly proves the efficacy and generalization ability of our method. $\textbf{3)}$ When augmented with a closed-set domain adaptation approach during target adaptation, our source-free method further outperforms the current state-of-the-art UNDA method by 2.5%, 7.2% and 13% on Office-31, Office-Home and VisDA respectively. Code will be available in https://github.com/Albert0147/OneRing.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL