2021-06-07 阅读论文《面向通用领域自适应的领域共识聚类》——CVPR2021

面向通用领域自适应的领域共识聚类

通用域自适应（UNIDA）问题，旨在将知识从源域转移到未计算的标签空间下的目标域。 UNIDA的主要挑战在于如何将公共类(即跨域共享的类)与私有类(即类只存在于一个域中)分离开来。以前的文章将目标中的私有样本视为一个通用类，但忽略其内在结构。所得到的表示在潜在空间中不够紧凑，并且可以容易地与常见样本混淆。
为更好地利用目标域的内在结构提出了领域共识聚类(DCC)，利用领域共识知识在公共样本和私有样本上发现有区别的聚类。具体来说，我们从两个方面提取领域共识知识，以促进聚类和私有类发现，即语义层共识，将周期一致的簇识别为公共类，和样本层共识，它利用跨域分类协议来确定集群的数量并发现私有类。基于DCC，我们能够将私有类与公共类分开，并区分私有类本身。在已识别的普通样本上应用类别感知对齐技术以减少分布偏移，并使用一个原型正则化器来激发有区别的目标聚类。论文源代码

以前的方法只是简单地将私有样本视为一个通用类，而忽略其内在的数据结构。我们的方法旨在通过在普通样本和私有样本上形成区分性聚类来更好地利用私有样本的多样性分布。

• 开放集域适配（OSDA）：假设目标域拥有源域未知的私