Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ]
论文信息
论文标题：Cycle Self-Training for Domain Adaptation
论文作者：Hong Liu, Jianmin Wang, Mingsheng Long
论文来源：2021
论文地址：download
论文代码：download
视屏讲解：click
?1-介绍
动机：在无分布偏移条件下，伪标签分布和真标签分布几乎相同，然而在有分布偏移条件下，两者差异很大。即使采用置信度、信息熵等不确定性阈值来筛选，筛选机制的可靠性仍将因为分布偏移而显著下降，最终使得标准自训练在领域自适应问题中失效。
?2-相关
事实：分析了有无域位移的伪标签的质量，以更深入地研究UDA中标准自训练的难度。在流行的基准数据集上，当源和目标相同时，分析表明，伪标签分布与地面真实分布几乎相同。然而，由于分布位移，它们的差异可能非常大，有几个类大多被错误地分类为其他类。本文还研究了在域移下用流行标准选择正确伪标签的困难。虽然熵和置信度是没有域移的正确伪标签的合理选择标准，但域移使它们的精度急剧下降。
自训练和循环自训练：
有或没有域移位的伪标签分布：
?3-方法
- Self-Training Adaptation Training Domain 论文self-training adaptation training domain self-training meta-tsallis-entropy classification self-training tri-training unsupervised asymmetric adaptation adaptation领域domain unsupervised adaptation training improve adaptation domain moka adversarial domain discriminative unsupervised adaptation backpropagation unsupervised adaptation domain discriminative adversarial adaptation domain