少样本无监督域适应：Confidence-based Visual Dispersal for Few-shot Unsupervised Domain Adaptation

论文作者：Yizhe Xiong,Hui Chen,Zijia Lin,Sicheng Zhao,Guiguang Ding

作者单位：Tsinghua University; Beijing National Research Center for Information Science and Technology (BNRist); Hangzhou Zhuoxi Institute of Brain and Intelligence

论文链接：http://arxiv.org/abs/2309.15575v1

项目链接：https://github.com/Bostoncake/C-VisDiT

内容简介：

1）方向：无监督域适应

2）应用：少样本无监督域适应

3）背景：在真实世界的场景中，为源域提供充足的标签数据通常是不可行的，因为标注的难度和成本很高。因此，最近的研究开始考虑Few-shot Unsupervised Domain Adaptation (FUDA)的情况，其中只有少量源域样本被标记，并通过自监督学习方法进行知识传递。然而，现有方法通常忽视了稀疏标签设置对可靠源知识的学习造成的阻碍。此外，目标样本中的学习难度差异通常被忽略，导致难以分类的目标样本被错误分类。

4）方法：本文提出了一种新颖的Confidence-based Visual Dispersal Transfer learning方法（C-VisDiT）用于FUDA。具体来说，C-VisDiT包括一个跨域视觉分散策略，仅传输高置信度的源领域知识以进行模型适应，以及一个领域内视觉分散策略，引导学习难以处理的目标样本。这有助于解决FUDA中的两个问题，提高模型的泛化性能。

5）结果：在Office-31、Office-Home、VisDA-C和DomainNet基准数据集上进行了大量实验，结果表明，所提出的C-VisDiT方法明显优于最先进的FUDA方法。代码可在https://github.com/Bostoncake/C-VisDiT上获得。