Auswählen, Beschriften und Mixen: Lernen diskriminativer invarianter Merkmalsdarstellungen für partielle Domänenanpassung

Partielle Domänenanpassung, die davon ausgeht, dass der unbekannte Zielklassenraum eine Teilmenge des Quellklassenraums ist, hat in der Computer Vision erhebliche Aufmerksamkeit erlangt. Trotz neuerer Fortschritte leiden bestehende Methoden häufig an drei zentralen Problemen: negativer Transfer, mangelnder Diskriminierbarkeit sowie fehlender Domäneninvarianz im latenzraum. Um diese Herausforderungen zu mildern, entwickeln wir einen neuartigen „Select, Label and Mix“ (SLM)-Ansatz, der darauf abzielt, diskriminative und invariante Merkmalsrepräsentationen für die partielle Domänenanpassung zu lernen. Zunächst präsentieren wir ein effizientes „Select“-Modul, das automatisch Ausreißer aus der Quellmenge filtert, um negativen Transfer zu vermeiden, während gleichzeitig die Verteilungen beider Domänen ausgerichtet werden. Im zweiten Schritt nutzt das „Label“-Modul die gelabelten Quelldaten sowie die generierten Pseudolabels für die Zielmenge, um den Klassifikator iterativ zu trainieren und so die Diskriminierbarkeit des latenzraums zu verbessern. Schließlich setzt das „Mix“-Modul eine Domänen-Mixup-Regularisierung gemeinsam mit den beiden anderen Modulen ein, um tiefere, inhärente Strukturen zwischen den Domänen zu erkunden und einen domäneninvarianten latenzraum für die partielle Domänenanpassung zu erzeugen. Umfangreiche Experimente auf mehreren Standard-Datensätzen für die partielle Domänenanpassung belegen die Überlegenheit unseres vorgeschlagenen Ansatzes gegenüber aktuellen State-of-the-Art-Methoden.