Steigerung der Entdeckung neuer Kategorien über Domänen mittels weicher kontrastiver Lernmethoden und eines All-in-One-Klassifikators

Unsupervised Domain Adaptation (UDA) hat sich als äußerst wirksam erwiesen, um Wissen aus einer labelreichen Quelldomäne in eine labelarme Zieldomäne zu übertragen. Allerdings hat das Vorhandensein zusätzlicher neuer Kategorien in der Zieldomäne zur Entwicklung von Open-Set Domain Adaptation (ODA) und Universal Domain Adaptation (UNDA) geführt. Bisherige ODA- und UNDA-Methoden behandeln alle neuen Kategorien als eine einzige, vereinigte unbekannte Klasse und versuchen, diese während des Trainings zu detektieren. Wir haben jedoch festgestellt, dass domänenbedingte Varianzen zu einer signifikant stärkeren Ansichts-Störung bei unsupervisierter Datenaugmentation führen können, was die Wirksamkeit des kontrastiven Lernens (CL) beeinträchtigt und dazu führt, dass das Modell bei der Entdeckung neuer Kategorien übermäßig selbstsicher wird. Um diese Probleme anzugehen, wird ein Rahmenwerk namens Soft-contrastive All-in-one Network (SAN) für ODA- und UNDA-Aufgaben vorgestellt. SAN umfasst eine neuartige, auf Datenaugmentation basierende Soft-Contrastive-Learning-(SCL)-Verlustfunktion, um den Backbone präzise für die Merkmalsübertragung zu feinabstimmen, sowie einen menschenintuitiveren Klassifikator, der die Fähigkeit zur Entdeckung neuer Klassen verbessert. Die SCL-Verlustfunktion mildert die negativen Auswirkungen des durch die Datenaugmentation verstärkten Ansichts-Störungsproblems, das sich bei Domänenübertragungsaufgaben besonders auswirkt. Der All-in-One (AIO)-Klassifikator überwindet das Problem der Überzuversichertheit, das bei aktuellen Mainstream-Klassifikatoren für abgeschlossene und offene Mengen auftritt. Visualisierungs- und Ablationsexperimente belegen die Wirksamkeit der vorgeschlagenen Innovationen. Darüber hinaus zeigen umfangreiche Experimente auf ODA- und UNDA-Datensätzen, dass SAN bestehende State-of-the-Art-Methoden übertrifft.