Adaptive Adversariales Netzwerk für quellfreie Domänenanpassung

Unüberwachte Domänenanpassung löst den Wissensübergang bei gleichzeitiger Existenz einer gut annotierten Quelldomäne und unlabeled Zielinstanzen. In vielen praktischen Anwendungen ist jedoch die Quelldomäne aufgrund von Datenschutz oder unzureichendem Speicherplatz für kleine Geräte nicht immer zugänglich. Dieses Szenario, definiert als quellfreie Domänenanpassung, erlaubt nur den Zugriff auf das gut trainierte Quellmodell für das Lernen am Ziel. Um die Herausforderung der Nichtverfügbarkeit von Quelldaten zu bewältigen, entwickeln wir ein adaptives adversariales Netzwerk (A 2 Net), das drei Komponenten umfasst. Genauer gesagt sucht die erste Komponente, Adaptive Adversarial Inference, einen zielspezifischen Klassifikator, um die Erkennung von Proben zu verbessern, die der bereitgestellte quellspezifische Klassifikator schwer identifiziert. Dann nutzt das Contrastive Category-wise Matching-Modul die positive Beziehung zwischen jeweils zwei Zielbildern, um die Kompaktheit des Teilraums für jede Kategorie zu erzwingen. Drittens erleichtert Self-Supervised Rotation dem Modell, zusätzliche Semantik aus den Zielbildern selbst zu lernen. Umfangreiche Experimente auf beliebten domänenübergreifenden Benchmarks bestätigen die Effektivität unseres vorgeschlagenen Modells bei der Lösung von Anpassungsaufgaben ohne jegliche Quelldaten.