[论文解读] Unsupervised Domain Adaptation with Progressive Domain Augmentation
本文提出了一种新型无监督域自适应方法——渐进式域增强（PrDA），通过基于Mixup的数据插值生成虚拟中间域，并在Grassmann流形上执行渐进式子空间对齐。通过在多个对齐步骤中逐步弥合域偏移，PrDA在Office-31、Office-Caltech-10和ImageCLEF-DA基准上实现了最先进性能，尤其在高差异域自适应场景中表现突出。
Domain adaptation aims to exploit a label-rich source domain for learning classifiers in a different label-scarce target domain. It is particularly challenging when there are significant divergences between the two domains. In the paper, we propose a novel unsupervised domain adaptation method based on progressive domain augmentation. The proposed method generates virtual intermediate domains via domain interpolation, progressively augments the source domain and bridges the source-target domain divergence by conducting multiple subspace alignment on the Grassmann manifold. We conduct experiments on multiple domain adaptation tasks and the results shows the proposed method achieves the state-of-the-art performance.
研究动机与目标
- 为解决无监督域自适应中因直接对齐失败而导致的大域偏移挑战。
- 通过将大域偏移分解为更小、渐进的步骤，减少信息损失并提高对齐稳定性。
- 通过利用中间虚拟域实现更平滑的域自适应，提升标准基准上的性能。
- 验证渐进式对齐在处理高域间差异时的有效性。
- 在多样化域自适应任务中展示最先进性能。
提出的方法
- 该方法通过在源域与目标域之间进行基于Mixup的数据插值，生成一系列虚拟中间域。
- 在Grassmann流形上，以渐进方式对源域与每个虚拟中间域之间执行多次子空间对齐。
- 每次对齐步骤后，使用虚拟域中的伪标签数据对源域进行增强，逐步使源域表示更接近目标域。
- 通过分阶段减少域偏移，而非单步完成，迭代提升对齐质量。
- 该方法采用ResNet-50作为特征提取器，并依赖Grassmann流形上的投影矩阵实现子空间对齐。
- 避免直接使用对抗训练或重建损失，转而专注于结构化、渐进式域对齐。
实验结果
研究问题
- RQ1通过虚拟中间域实现渐进式域增强，能否提升无监督域自适应中的对齐稳定性和性能？
- RQ2将大域偏移分解为多个较小的对齐步骤，是否能减少信息损失并提高泛化能力？
- RQ3在具有高域间差异的基准（如Office-Caltech-10）上，该方法表现如何？
- RQ4渐进式对齐是否能在准确率和鲁棒性方面优于单步域对齐方法？
- RQ5在多样化迁移任务中，该方法与SOTA方法（如Ad-REM、MEDA和CDAN）相比表现如何？
主要发现
- 在Office-Caltech-10基准的12项迁移任务中，PrDA在7项上达到最先进性能。
- 在Office-Caltech-10数据集上，PrDA在D→W任务中达到99.7%的准确率，在A→W任务中达到99.3%，优于所有基线方法。
- 在ImageCLEF-DA基准中，PrDA在I→P任务上达到81.8%准确率，P→I任务上达到91.0%，P→C任务上达到95.5%，在多个任务上优于DANN、CDAN和MEDA。
- 该方法在高差异任务中表现强劲，A→D和D→A任务的域分类器准确率达到76.1%，表明存在显著的域偏移。
- 即使在低差异任务中，PrDA也表现出色，显示出在不同域相似性水平下的鲁棒性。
- 消融实验确认，与直接对齐相比，采用虚拟域的渐进式对齐显著提升了性能。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。