文章目录
前言
- 文章来自2022年的ICLR
- 本文是本人领域自适应与最优传输系列论文的第66篇,所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms,希望各位大佬们不吝点赞,给个Star哦~
摘要
- 无监督领域自适应(Unsupervised domain Adaption,UDA)旨在将从标记的源领域学到的知识转移到另一个未标记的目标领域。大多数现有的UDA方法都侧重于使用基于卷积神经网络(CNN)的框架,从领域级或类别级学习领域不变的特征表示。基于类别级别的UDA的一个基本问题是为目标域中的样本生成伪标签,这通常太过嘈杂,无法进行精确的域对齐,从而不可避免地影响UDA的性能。随着Transformer在各种任务中的成功,我们发现Transformer中的交叉注意对噪声输入对具有鲁棒性,以便更好地进行特征对齐,因此本文采用Transformer来完成具有挑战性的UDA任务。具体来说,为了生成精确的输入对