点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
无监督域适应(UDA)旨在把知识从有标签源域数据迁移到无标签目标域数据上。现有的基于自训练(self-training)的UDA方法为目标域数据分配伪标签,并利用这些伪标签标记的数据来训练网络使得模型适应于目标域数据。但是由于域差距(domain gap)的存在,利用源域数据优化的模型生成的伪标签不可避免地包含噪声。为了解决这个问题,我们提出了一种基于自训练的元矫正框架(MetaCorrection) ,旨在通过噪声转移矩阵建模目标域伪标签中的噪声分布,从而来改善目标域的监督信息,消除伪标签中噪声对模型训练的负面影响。
本期AI TIME PhD直播间,我们有幸邀请到了本文的作者郭小青博士为大家分享这项研究工作!
郭小青,香港城市大学电机工程系博士三年级在读。主要研究方向为医学图像小样本有标注数据下的模型泛化能力研究,包含半监督学习、数据增强、域自适应、域泛化等。
01
背 景
Domain Gap