Cross-Inferential Networks for Source-free Unsupervised Domain Adaptation

要約

ソースフリーの教師なしドメイン適応 (UDA) における中心的な課題の 1 つは、ターゲット ドメインで適応されたネットワーク モデルの予測結果を評価するための効果的なアプローチが欠如していることです。
この課題に対処するために、相互推論ネットワーク (CIN) と呼ばれる新しい方法を検討することを提案します。
私たちの主なアイデアは、エンコードされた特徴からサンプル ラベルを予測するようにネットワーク モデルを適応させるとき、これらの予測結果を使用して派生ラベルを持つ新しいトレーニング サンプルを構築し、ターゲット内で異なるが互換性のあるタスクを実行する新しい検査者ネットワークを学習するというものです。
ドメイン。
具体的には、この作業では、ベース ネットワーク モデルが画像分類を実行する一方で、検査者ネットワークは、トレーニング ラベルがベース ネットワーク モデルの予測結果から慎重に構築されたサンプルのトリプレットの相対的な順序付けを実行するタスクを実行します。
次に、ネットワーク間の相関行列の類似性と注意の一貫性という 2 つの類似性の尺度が開発され、UDA プロセスに重要な指針を提供します。
ベンチマーク データセットでの実験結果は、私たちが提案する CIN アプローチがソースフリー UDA のパフォーマンスを大幅に向上できることを示しています。

要約(オリジナル)

One central challenge in source-free unsupervised domain adaptation (UDA) is the lack of an effective approach to evaluate the prediction results of the adapted network model in the target domain. To address this challenge, we propose to explore a new method called cross-inferential networks (CIN). Our main idea is that, when we adapt the network model to predict the sample labels from encoded features, we use these prediction results to construct new training samples with derived labels to learn a new examiner network that performs a different but compatible task in the target domain. Specifically, in this work, the base network model is performing image classification while the examiner network is tasked to perform relative ordering of triplets of samples whose training labels are carefully constructed from the prediction results of the base network model. Two similarity measures, cross-network correlation matrix similarity and attention consistency, are then developed to provide important guidance for the UDA process. Our experimental results on benchmark datasets demonstrate that our proposed CIN approach can significantly improve the performance of source-free UDA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google