辅助分类器遇上Domain Adaptation：连续性与不确定性

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

在领域迁移(Domain Adaptation)问题上，我们往往缺少对于无标注的目标领域数据(unlabled target-domain data)的有效约束。在我们的两篇文章中分别从不同角度，尝试利用了辅助分类器和主分类器的差异来正则模型的学习传统上，辅助分类器只是用来防止梯度消失问题，但我们考虑到，辅助分类器本质上提供了一个不同的预测，可以用来建模当前模型对于输入数据的不确定性。我们提出了两种方法来利用这种不确定性，都十分简单。现有方法不需要引入额外的参数，就能在几个benchmark上，如 GTA5->Cityscapes 等数据集上获得进一步的提升。

郑哲东：悉尼科技大学四年级博士生，研究方向为计算机视觉和智慧城市。2016年本科毕业于复旦大学，2017年~至今于悉尼科技大学直博(师从杨易教授)。博士四年中以第一作者发表 CCF-A类会议和ACM/IEEE期刊 9篇。Google Scholar引用次数3100+，H指数13，单篇一作论文最高被引970+次，在 Github代码开源网站上得到5200+stars。在2020年CVPR 智慧城市挑战(AI City Challenge)车辆重识别赛道获得冠军

一、背景

本文的领域迁移的任务主要是将游戏中获取的有标签的图片应用于现实世界。具体来说就是从游戏侠盗猎车5（GTA-5）中获得数据，其往往会有ground truth，其表明图中哪一部分是车辆，哪一部分是行人，哪一部分是车灯等等。对于游戏数据而言这是比较容易获取的，同时也会获取现实世界中收集到的数据，这些数据往往没有标签。所以Domain Adaptation解决问题是如何利用游戏的数据，去学一些knowledge，并且应用在实际的生活中，即将从游戏中学到的知识迁移到没有标注的真实场景下。然后其中最主要的核心是segmentation，语义分割。图中的ground truth是pixel level标注的。对于语义分割来说这个标注也是非常困难的，对于真实世界数据不可能完全由人工进行标注。

因此，对于Domain Adaptation