Exploiting Inter-Sample Affinity for Knowability-Aware Universal Domain Adaptation

要約

ユニバーサル ドメイン アダプテーション (UDA) は、共通クラスの知識をソース ドメインからターゲット ドメインに転送することを目的としています。これには、ラベル セットに関する事前の知識がなくても、未知のサンプルをターゲット ドメインの既知のサンプルと区別する必要があります。
最近の方法では、既知のクラス内のサンプル間の親和性を高めることが好まれましたが、未知のサンプルと既知のサンプル間のサンプル間の親和性は無視されました。
このホワイト ペーパーでは、このようなサンプル間アフィニティを利用することで、UDA のパフォーマンスを大幅に向上させることができることを明らかにし、それに基づくノウアビリティを意識した UDA フレームワークを提案します。
まず、ソース ドメイン内の隣接サンプルを検索することにより、各ターゲット サンプルの認識可能性を推定します。
次に、ターゲット サンプルが未知か既知かを判断するために、推定された既知性に適用される自動しきい値方式を提案します。
次に、以前の方法のように各既知のクラス内のサンプル間親和性を高めることに加えて、未知のターゲット サンプルと既知のものの間のサンプル間親和性を減らすために、推定された既知性に基づいて新しい損失を設計します。
最後に、4 つの公開データセットでの実験は、私たちの方法が既存の最先端の方法よりも大幅に優れていることを示しています。

要約(オリジナル)

Universal domain adaptation (UDA) aims to transfer the knowledge of common classes from source domain to target domain without any prior knowledge on the label set, which requires to distinguish the unknown samples from the known ones in the target domain. Recent methods preferred to increase the inter-sample affinity within a known class, while they ignored the inter-sample affinity between the unknown samples and the known ones. This paper reveals that exploiting such inter-sample affinity can significantly improve the performance of UDA and proposes a knowability-aware UDA framework based on it. First, we estimate the knowability of each target sample by searching its neighboring samples in the source domain. Then, we propose an auto-thresholding scheme applied to the estimated knowability to determine whether a target sample is unknown or known. Next, in addition to increasing the inter-sample affinity within each known class like previous methods, we design new losses based on the estimated knowability to reduce the inter-sample affinity between the unknown target samples and the known ones. Finally, experiments on four public datasets demonstrate that our method significantly outperforms existing state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google