Diskriminative Sicherheit für Domänenanpassung berücksichtigen

In dieser Arbeit zielen wir darauf ab, die unlösbare Domänenanpassung von Klassifizierern zu lösen, bei der wir Zugang zu Bezeichnungsinformationen für die Quelldomäne haben, während diese für eine Zieldomäne nicht verfügbar sind. Obwohl verschiedene Methoden vorgeschlagen wurden, um dieses Problem zu lösen, einschließlich ansatzbasierter Methoden mit feindlichen Diskriminatoren (adversarial discriminator), haben sich die meisten Ansätze auf die Anpassung ganzer Bilder konzentriert. In einem Bild gibt es Regionen, die besser angepasst werden können; zum Beispiel kann das Vordergrundobjekt in seiner Natur ähnlich sein. Um solche Regionen zu ermitteln, schlagen wir Methoden vor, die die probabilistische Sicherheitsschätzung verschiedener Regionen berücksichtigen und den Fokus auf diese während der Klassifikation für die Anpassung legen. Wir beobachten, dass durch die Einbeziehung der probabilistischen Sicherheit des Diskriminators beim Training des Klassifizierers wir standesüberragende Ergebnisse auf verschiedenen Datensätzen erzielen können im Vergleich zu allen aktuellen Methoden. Wir führen eine gründliche empirische Analyse der Methode durch, indem wir eine Ablationsanalyse, einen statistischen Signifikanztest sowie Visualisierungen der Aufmerksamkeitskarten und t-SNE-Embeddings bereitstellen. Diese Auswertungen überzeugen davon, dass der vorgeschlagene Ansatz effektiv ist.请注意，这里的“standesüberragende”并不是德语中常用的术语，通常我们会使用“state-of-the-art”（最先进）这个英文术语来描述某项技术或方法在当前领域的最高水平。因此，建议将其翻译为“Stand-of-the-Art”以保持专业性和准确性。修正后的翻译如下：In dieser Arbeit zielen wir darauf ab, die unlösbare Domänenanpassung von Klassifizern zu lösen, bei der wir Zugang zu Bezeichnungsinformationen für die Quelldomäne haben, während diese für eine Zieldomäne nicht verfügbar sind. Obwohl verschiedene Methoden vorgeschlagen wurden, um dieses Problem zu lösen, einschließlich ansatzbasierter Methoden mit feindlichen Diskriminatoren (adversarial discriminator), haben sich die meisten Ansätze auf die Anpassung ganzer Bilder konzentriert. In einem Bild gibt es Regionen, die besser angepasst werden können; zum Beispiel kann das Vordergrundobjekt in seiner Natur ähnlich sein. Um solche Regionen zu ermitteln, schlagen wir Methoden vor, die die probabilistische Sicherheitsschätzung verschiedener Regionen berücksichtigen und den Fokus auf diese während der Klassifikation für die Anpassung legen. Wir beobachten, dass durch die Einbeziehung der probabilistischen Sicherheit des Diskriminators beim Training des Klassifizierers wir Stand-of-the-Art-Ergebnisse auf verschiedenen Datensätzen erzielen können im Vergleich zu allen aktuellen Methoden. Wir führen eine gründliche empirische Analyse der Methode durch, indem wir eine Ablationsanalyse, einen statistischen Signifikanztest sowie Visualisierungen der Aufmerksamkeitskarten und t-SNE-Embeddings bereitstellen. Diese Auswertungen überzeugend demonstrieren die Effektivität des vorgeschlagenen Ansatzes.