Multi-Metrics Graph-Based Unsupervised Domain Adaptation for Cross-Modal Hashing
Multi-Metrics Graph-Based Unsupervised Domain Adaptation for Cross-Modal Hashing
1 Introduction
在没有任何标记样本的情况下难以捕获具有区分度的语义特征,使得跨模态表示的缺乏区分性。这是大多数无监督方法不能达到与监督方法相同的检索精确度的主要原因。本文提出以一种如下图所示名为基于图的多矩阵无监督域适应的方法(Multi-Metrics Graph-Based Unsupervised Domain Adaptation,M2GUDA)。
具体来说,该方法是一个端到端框架,包括一个特征提取器、一个跨模态编码器、一个哈希层、一个域鉴别器和一个跨域GCN,它们共同用于域和模态不变哈希码的学习。为了实现从标记源域到未标记目标域的高效语义知识转移,提出了一种包含结构一致性、语义一致性、域一致性和模态一致性四种一致性约束的领域自适应学习机制来指导模型训练。
2 Method
令表示源域的多模态数据集,
为目标与多模态数据集,本模型的目的是迁移 S ˉ \bar{S} Sˉ中的信息到 τ \tau τ中来学习哈希编码。
2.1 Domain Adaptation Strategy
① Structure Consistency
由于不同域之间的特征分布区别很大,阻碍了语义信息的迁移。因此,在训练过程中,作者考虑了每个batch中不同域的中间表示的空间结构一致性,并据此可以表示结构一致性损失。此处作者分别使用了欧氏距离和余弦相似度来计算节点之间的距离。
然后计算节点的三元组损失
再将两个图喂入GCN中:
其中 [ Γ ] I [\Gamma]_I [Γ]I为stack操作后的 { Γ I } \{\Gamma_I\} {ΓI}, D i i = ∑ j A i j D_{ii}=\sum_jA_{ij} Dii=∑jAij.
② Domain Consistency
知识迁移的另一个重要工作是减少跨领域的异构性。此处作者引入了一个GAN网络:
③ Semantic Consistency
为了保持语义一致性,此处引入源域的label { y i ˉ } \{\bar{y_i}\} {yiˉ},和目标与的伪label { y I i } \{y_{Ii}\} {yIi}, { y T I } \{y_{TI}\} {yTI},来构成损失:
④ Modality Consistency
为了缓解不同模态之间的异构性,在源域和目标域上均采用跨模态triplet损失,引导编码器生成模态不变表征:
2.2 Objective Function
使用下列函数来训练哈希编码:
所以最终的损失函数为:
3 Conclusion
由实验结果可以看出,本文尽管地堆叠了GCN,GAN,Triplet模块,但是其精确度相较于19年的SSAH一工作并未提升太多,由此也可见如何保持训练过程中的模态一致性的保持,关键并不是再挖掘模态内的语义信息,而是如何保持模态间的语义相似度,这也是为什么跨模态工作一直停滞不前的问题之一。
Multi-Metrics Graph-Based Unsupervised Domain Adaptation for Cross-Modal Hashing相关推荐
- TGRS2022/云检测:Unsupervised Domain Adaptation for Cloud Detection Based on Grouped Features Alignment
TGRS2022/云检测:Unsupervised Domain Adaptation for Cloud Detection Based on Grouped Features Alignment ...
- 【论文阅读】Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift
Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift SUMMARY@ 2020 ...
- 【ICML 2015迁移学习论文阅读】Unsupervised Domain Adaptation by Backpropagation (DANN) 无监督领域自适应
会议:ICML 2015 论文题目:Unsupervised Domain Adaptation by Backpropagation 论文地址:http://proceedings.mlr.pres ...
- 语义分割-Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述
Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述 0.摘要 1.介绍 1.1.语义分割 ...
- AWB——Complementarity-enhanced Mutual Networks for Unsupervised Domain Adaptation in Person Re-ID
论文地址:arXiv:2006.06525 代码地址:Attentive-WaveBlock 1 概述 这是一篇有关UDA Re-ID的文章,方法性能在paper with code上位居榜首,本文可 ...
- Unsupervised Domain Adaptation with Variational Approximation for Cardiac Segmentation
Wu F, Zhuang X. Unsupervised domain adaptation with variational approximation for cardiac segmentati ...
- 无源领域自适应:Source Hypothesis Transfer for Unsupervised Domain Adaptation
Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adap ...
- 【ICML 2015迁移学习论文阅读】Unsupervised Domain Adaptation by Backpropagation (DANN) 反向传播的无监督领域自适应
会议:ICML 2015 论文题目:Unsupervised Domain Adaptation by Backpropagation 论文地址: http://proceedings.mlr.pre ...
- 论文阅读(21 AAAI)Mind-the-Gap Unsupervised Domain Adaptation for Text-Video Retrieval
Task: 视频文本检索 Setting:Unsupervised Domain Adaptation 所使用的数据集:ActivityNet-Captions.MSR-VTT.LSMDC.MSVD ...
- CVPR2019:Domain-Specific Batch Normalization for Unsupervised Domain Adaptation无监督域适配的特定域批处理规范化
CVPR2019:Domain-Specific Batch Normalization for Unsupervised Domain Adaptation无监督域适配的特定域批处理规范化 0.摘要 ...
最新文章
- LightOJ - 1038 Race to 1 Again 基础期望概率 dp
- TreeMap之floorKey
- 有关 Conversion to Dalvik format failed with error 1
- 自己动手开发SAP Spartacus focus Directive的单元测试
- xml-rpc 以及 xml-rpc 在asp.net中的实现
- 这年头「野路子」产品太多了
- 视频截帧 php,php截取视频指定帧为图片_PHP
- Sprintf函数用法
- ESP32笔记(2) flash使用
- dedecms使用AB模板后台如何静态化tag标签
- Concis组件库封装——Collapse折叠面板
- 2017.9.26 noip模拟赛 总结
- 用Python写一个纪念日计算工具
- CODEFORCES 272C Dima and Staircase 细节理解题+简单技巧
- flac - 安装使用
- CRC16 校验函数
- Entity Relation Fusion for Real-Time One-Stage Referring Expression Comprehension 2021
- 赛龙代小权终审无罪释放,重燃创业之心
- BT5源码安装Python
- 《大话数据结构》学习心得