Progressive Feature Alignment für unsupervises Domain Adaptation

Die unsupervisierte Domänenanpassung (UDA) überträgt Wissen von einer domäne mit reichhaltigen Labels auf eine vollständig unlabeled Ziel-Domäne. Um diese Aufgabe zu bewältigen, greifen aktuelle Ansätze auf diskriminative Domänenübertragung zurück, indem sie Pseudo-Labels verwenden, um die Klassenverteilung zwischen Quell- und Ziel-Domäne auszugleichen. Diese Methoden sind jedoch anfällig für Fehlersammlungen und daher nicht in der Lage, die konsistente Kategorisierung über Domänen hinweg sicherzustellen, da die Genauigkeit des Pseudo-Labeling nicht explizit garantiert ist. In dieser Arbeit schlagen wir das Progressive Feature Alignment Network (PFAN) vor, um diskriminative Features progressiv und effektiv über Domänen hinweg auszurichten, indem wir die innerklassliche Variation in der Ziel-Domäne nutzen. Im Detail entwickeln wir zunächst eine Strategie zur schrittweisen Übertragung von einfach zu schwer (EHTS) sowie einen Schritt zur adaptiven Prototypenausrichtung (APA), um unser Modell iterativ und abwechselnd zu trainieren. Darüber hinaus stellen wir fest, dass eine gute Domänenanpassung in der Regel einen nicht gesättigten Quellklassifizierer erfordert. Wir betrachten daher eine einfache aber effiziente Methode, um die Konvergenzgeschwindigkeit des Quellklassifikationsverlustes durch Einführung einer Temperaturvariablen in die Softmax-Funktion zu verlangsamen. Die umfangreichen experimentellen Ergebnisse zeigen, dass das vorgeschlagene PFAN die Stand der Technik auf drei UDA-Datensätzen übertreffen kann.