Adaptación de Dominio Universal a través de Auto-Supervisión

Los métodos de adaptación de dominio no supervisados tradicionalmente asumen que todas las categorías fuente están presentes en el dominio objetivo. En la práctica, puede saberse poco sobre la superposición de categorías entre los dos dominios. Mientras que algunos métodos abordan configuraciones objetivo con categorías parciales o de conjunto abierto, asumen que la configuración particular es conocida a priori. Proponemos un marco de adaptación de dominio más aplicable universalmente que puede manejar cambios de categoría arbitrarios, llamado Agrupamiento de Vecindario Adaptativo de Dominio a través de optimización de Entropía (DANCE). DANCE combina dos ideas novedosas: Primero, como no podemos confiar completamente en las categorías fuente para aprender características discriminativas para el objetivo, proponemos una técnica novedosa de agrupamiento de vecindario para aprender la estructura del dominio objetivo de manera auto-supervisada. Segundo, utilizamos alineación de características basada en entropía y rechazo para alinear características objetivo con la fuente, o rechazarlas como categorías desconocidas basadas en su entropía. Mostramos a través de extensos experimentos que DANCE supera a las líneas base en configuraciones de adaptación de dominio de conjunto abierto, parcial abierto y parcial. La implementación está disponible en https://github.com/VisionLearningGroup/DANCE.