简介
Known-class Aware Self-ensemble for Open Set Domain Adaptation.VisDA挑战赛获胜模型。
关键字
Open Set,Domain Adaptation,Self-ensemble
正文
1. 适用场景
图中第2个,source和target都含有unknow。
2. 基本思路和解决方案
思路是先分离unknow,再域适应。首先利用最大熵实现unknow的分离,然后在SE中利用分离出来的高置信度的know样本来迭代和域适应。
3. 具体实现
如图(原文Fig2),SE模型,上面是student,下面是teacher,teacher通过高置信度的样本来指导student。
teacher通过最小化高置信度样本的损失指导stuent,即下面公式中的第二项,第一项的作用就是分类器的损失了,公式:
注意第二项中的样本是target中的,需要高置信度的样本,接下来的问题就是如何判断高置信度样本,也就是有很大可能性属于share类的。
(1)分离损失:原本Student的只产生第一项损失,为了增强分类器区分know和unknow的能力,增加了第二项,值越大越好。这里认为预测向量的损失熵越大,越有可能时unknow,所以最大化第二项熵。
(2)指导损失:其中权重w代表该样本与know的相似度。
(3)目标函数:最后一项是类平衡损失,是目标样本mini-batch的均值和均匀向量的交叉熵。
参考资料
[1] Lian, Qing, et al. "Known-class Aware Self-ensemble for Open Set Domain Adaptation." arXiv preprint arXiv:1905.01068 (2019).