Quell-Daten-abwesende unsupervisierte Domänenanpassung durch Hypothesentransfer und Label-Transfer

Unsupervised Domain Adaptation (UDA) zielt darauf ab, Wissen aus einem verwandten, jedoch unterschiedlichen gut beschrifteten Quelldomäne auf eine neue, unbeschriftete Ziel-Domäne zu übertragen. Die meisten bestehenden UDA-Methoden erfordern Zugriff auf die Quelldaten und sind daher nicht anwendbar, wenn diese aufgrund von Datenschutzbedenken vertraulich und nicht austauschbar sind. In dieser Arbeit wird ein realistisches Szenario betrachtet, bei dem lediglich ein Klassifikationsmodell zur Verfügung steht, das auf der Quelldatenbasis trainiert wurde, jedoch keine direkten Zugriffsmöglichkeiten auf die Quelldaten bestehen. Um das Quellmodell effektiv für die Anpassung zu nutzen, schlagen wir einen neuen Ansatz namens Source HypOthesis Transfer (SHOT) vor, der das Merkmalsextraktionsmodul für die Ziel-Domäne dadurch lernt, dass die Merkmale der Ziel-Daten an das fixierte Quell-Klassifikationsmodul (als Repräsentation der Klassifikations-Hypothese) angepasst werden. Insbesondere nutzt SHOT sowohl die Maximierung der Informationsentropie als auch selbstüberwachtes Lernen zur Merkmalsextraktion, um sicherzustellen, dass die Ziel-Merkmale implizit mit den Merkmalen bisher unbekannter Quelldaten über dieselbe Hypothese ausgerichtet sind. Darüber hinaus stellen wir eine neue Strategie zum Übertragung von Beschriftungen vor, die die Ziel-Daten basierend auf der Zuverlässigkeit der Vorhersagen (d. h. der Beschriftungsinformation) in zwei Teile aufteilt und anschließend semi-supervised Learning einsetzt, um die Genauigkeit der weniger zuverlässigen Vorhersagen in der Ziel-Domäne zu verbessern. Bezeichnen wir die Vorhersagen, die mittels SHOT erzeugt wurden, als SHOT++, so wird die Gesamtstrategie als SHOT++ bezeichnet. Umfangreiche Experimente sowohl auf Aufgaben der Ziffernerkennung als auch der Objekterkennung zeigen, dass SHOT und SHOT++ Ergebnisse erzielen, die die der aktuellen State-of-the-Art-Methoden übertreffen oder zumindest vergleichbar sind, was die Wirksamkeit unserer Ansätze für verschiedene Probleme im Bereich visueller Domain Adaptation unterstreicht. Der Quellcode ist unter \url{https://github.com/tim-learn/SHOT-plus} verfügbar.