Core Concepts
Unser Ansatz zielt darauf ab, ein Modell zu lernen, das domänenübergreifbare Merkmale durch Ausnutzung eines begrenzten Satzes von gekennzeichneten Daten und eines deutlich größeren Pools von unmarkierten Daten erwirbt.
Abstract
Der Artikel befasst sich mit dem relativ unerforschten Problem der semi-überwachten Domänengeneralisierung (SSDG). Im Gegensatz zur vollständig überwachten Domänengeneralisierung (DG) geht SSDG davon aus, dass nur eine Teilmenge der Daten aus den Quelldomänen gekennzeichnet ist, während der Großteil unmarkiert ist.
Die Autoren stellen einen neuen Ansatz vor, der aus zwei Hauptkomponenten besteht:
Feature-basierte Konformität (FBC): Hierbei wird die Übereinstimmung zwischen den Posteriorverteilungen aus dem Merkmalsraum und den Pseudo-Etiketten aus dem Ausgaberaum des Modells erzwungen. Dies erleichtert die Generierung genauerer Pseudo-Etiketten.
Semantische Ausrichtung (SA): Dieser Verlust zielt darauf ab, die semantische Struktur im Merkmalsraum zu regularisieren, indem er eine domänenspezifische ähnlichkeitsgesteuerte Kohäsion und Abstoßung der Trainingsdaten erzwingt. Dies verbessert die Diskriminierungsfähigkeit des Modells unter SSDG-Bedingungen.
Die Autoren zeigen, dass ihr Ansatz konsistent und deutliche Verbesserungen gegenüber vier aktuellen Basislinien auf verschiedenen DG-Benchmarks liefert. Insbesondere erweist sich ihr Ansatz als effektiv bei der Bewältigung von Verteilungsverschiebungen in Realweltszenarien wie Beleuchtungsverschiebungen, Unschärfe, Perspektivwechsel und Verdeckungen.
Stats
Die Anzahl der gekennzeichneten Beispiele ist deutlich geringer als die Anzahl der unmarkierten Beispiele.
Nur ein kleiner Bruchteil der Daten aus den Quelldomänen ist gekennzeichnet.
Quotes
"Unser Ansatz ist stecker- und spielbereit und kann daher nahtlos in verschiedene SSL-basierte SSDG-Basislinien integriert werden, ohne zusätzliche lernbare Parameter einzuführen."
"Wir zeigen die Anpassungsfähigkeit und Wirksamkeit unserer Methode mit vier starken Basislinien."