#今日论文推荐# CVPR 2022丨特斯联AI提出：用于视觉任务中无监督域自适应的类别对比

#今日论文推荐# CVPR 2022丨特斯联AI提出：用于视觉任务中无监督域自适应的类别对比

深度神经网络（Deep Neural Networks, DNNs）由于跨域不匹配（cross-domain mismatch），通常在新域表现不佳。而无监督域自适应（UDA）技术则可通过利用未标记的目标域样本缓解跨域不匹配问题。
近日，特斯联科技集团首席科学家邵岭博士及合作者们提出了基于类别对比的新颖方法Category Contrast (CaCo)，并公布了所取得的最新研究成果。该方法在视觉UDA任务的实例判别之上引入了语义先验。该研究成果（标题为: Category Contrast for Unsupervised Domain Adaptation in Visual Tasks）已被今年的 AI顶会CVPR （国际计算机视觉与模式识别会议）收录。

通过将实例对比学习视为字典查询操作，团队利用源域和目标域的样本构建了一个类别感知（category-aware）和域混合（domain-mixed）的字典，其中每个目标样本会根据源域样本的类别先验被分配一个（伪）类别标签，并为UDA提供了相应的类别对比损失（category contrastive loss）。由此鼓励学习完全契合UDA目标的，具有类别判别力但域不变的（category-discriminative yet domain-invariant ）表征：同类别样本（无论是来自于源域或者目标域）的距离被拉得更近的同时不同类别样本的距离会被推远。在多种视觉任务（例如分割、分类和检测）中进行的大量实验表明CaCo实现了与当前最先进的算法相比更卓越的性能。此外，实验也显示CaCo可以作为现有UDA方法的补充，并可推广到其它的学习方法中，如无监督模型适应、开放/半开放集域自适应等。

论文题目：Category Contrast for Unsupervised Domain Adaptation in Visual Tasks
详细解读：https://www.aminer.cn/research_report/62b129407cb68b460fd7a116?download=falsehttps://www.aminer.cn/research_report/62b129407cb68b460fd7a116?download=false
AMiner链接：https://www.aminer.cn/?f=cs