Selbst-Ensembling für visuelle Domänenanpassung

Dieses Papier untersucht die Anwendung von Selbst-Ensemblemethoden für Probleme der visuellen Domänenanpassung. Unsere Technik basiert auf der Mean-Teacher-Variante (Tarvainen et al., 2017) des zeitlichen Ensembles (Laine et al., 2017), einer Methode, die in der Halbüberwachten Lernung erstklassige Ergebnisse erzielt hat. Wir führen eine Reihe von Modifikationen an ihrem Ansatz ein, um ihn für anspruchsvolle Szenarien der Domänenanpassung zu optimieren und bewerten seine Effektivität. Unser Ansatz erreicht erstklassige Ergebnisse in verschiedenen Benchmarks, darunter unser Siegereintrag im VISDA-2017 Challenge zur visuellen Domänenanpassung. In Benchmarks mit kleinen Bildern übertrifft unser Algorithmus nicht nur die bisherigen Methoden, sondern kann auch eine Genauigkeit erzielen, die der eines überwachungsweise trainierten Klassifikators nahekommt.