Adversariales Umgewichten für partielle Domänenanpassung

Partielle Domänenanpassung (Partial Domain Adaptation, PDA) hat aufgrund ihres praktischen Anwendungskontexts erhebliche Aufmerksamkeit erfahren. Die derzeitigen PDA-Methoden passen in der Regel den Merkmalsextraktor durch die Ausrichtung der Ziel- und gewichteten Quelldomänenverteilungen an. In dieser Arbeit stellen wir experimentell fest, dass die Merkmalsanpassung mittels gewichteter Verteilungsausrichtung in einigen state-of-the-art PDA-Methoden gegenüber „störenden“ (noisy) Gewichten der Quelldaten nicht robust ist, was zu negativem Domänentransfer auf bestimmten anspruchsvollen Benchmarks führt. Um die Herausforderung des negativen Domänentransfers zu bewältigen, schlagen wir einen neuen Ansatz namens adversariales Gewichtung (Adversarial Reweighting, AR) vor, der die Gewichte der Quelldaten adversarisch lernt, um die Verteilungen der Quell- und Ziel-Domäne zu alignen, und der über die gewichteten Quelldaten ein übertragbares tiefes Erkennungsnetzwerk trainiert. Auf Basis dieser Idee entwickeln wir einen Trainingsalgorithmus, der die Netzwerkparameter und die Gewichte der Quelldaten alternierend aktualisiert. Umfangreiche Experimente zeigen, dass unsere Methode state-of-the-art Ergebnisse auf den Benchmarks ImageNet-Caltech, Office-Home, VisDA-2017 und DomainNet erzielt. Ablationsstudien bestätigen zudem die Wirksamkeit unseres Ansatzes.