计算机科学>计算机视觉和模式识别
标题: GLC++:通过全局-局部聚类和对比亲和力学习实现无源通用域适配
摘要: 深度神经网络在协变量和类别转移下通常表现出次优性能。 无源域适配(SFDA)为解决这一难题提供了一个很有希望的解决方案,但大多数SFDA方法仅限于封闭场景。 在本文中,我们探索了无源通用域适配(SF-UniDA),旨在准确地将“已知”数据分类为公共类别,并将其与目标私有“未知”数据分离。 我们提出了一种新的全局和局部聚类(GLC)技术,该技术包括一种自适应的一对多全局聚类算法,用于区分目标类,并辅以一种局部k-NN聚类策略来缓解负迁移。 尽管有效,但固有的封闭源体系结构导致对“未知”数据的统一处理,阻碍了对不同“未知”类别的识别。 为了解决这个问题,我们将GLC发展为GLC++,整合了对比亲和力学习策略。 我们检验了GLC和GLC++在多个基准和类别转换场景中的优势。 值得注意的是,在最具挑战性的开放党派场景中,GLC和GLC++在VisDA的H分数上分别超过GATE 16.7%和18.6%。 在Office-Home上的开放场景中,GLC++将GLC的新类别聚类精度提高了4.3%。 此外,引入的对比学习策略不仅增强了GLC,而且大大促进了现有方法。