AAAI论文最佳解读|Unsupervised Cross-Domain Image Retrieval via Prototypical Optimal Transport

论文标题

Unsupervised Cross-Domain Image Retrieval via Prototypical Optimal Transport 无监督跨域图像检索的原型最优传输方法

论文链接

Unsupervised Cross-Domain Image Retrieval via Prototypical Optimal Transport论文下载

论文作者

Bin Li, Ye Shi, Qian Yu, Jingya Wang

内容简介

本文提出了一种新颖的无监督跨域图像检索（UCIR）方法，称为ProtoOT，旨在在不同领域中检索共享相同类别的图像，而无需依赖标记数据。以往的UCIR方法通常将问题分解为域内表示学习和跨域特征对齐两个独立任务，然而这种分离的策略忽视了这两个任务之间的潜在协同作用。ProtoOT通过将这两个任务整合到一个统一的框架中，利用K均值聚类方法有效管理UCIR中的分布不平衡问题。通过生成初始原型并近似类边际分布，ProtoOT显著提升了在UCIR场景中的性能。此外，本文还将对比学习引入ProtoOT框架，以进一步提高表示学习的效果。实验结果表明，ProtoOT在多个基准数据集上超越了现有的最先进方法，尤其在DomainNet和Office-Home数据集上分别实现了24.44%和12.12%的性能提升。

分点关键点

1. ProtoOT框架

   • ProtoOT是一个新型的最优传输公式，专门针对UCIR设计。它将域内特征表示学习和跨域对齐整合为一个统一的框架，利用K均值聚类来处理分布不平衡问题，从而提高检索性能。
     

2. 对比学习的引入

   • 在ProtoOT框架中引入对比学习，鼓励语义相似特征之间的局部一致性，同时强制执行特征与不匹配原型之间的分离，从而增强全局区分性。

3. 实验结果

   • ProtoOT在DomainNet数据集上实现了平均P@200提升24.44%，在Office-Home数据集上实现了P@15提升12.12%。这些结果表明ProtoOT在无监督跨域图像检索任务中的有效性和优越性。
     

4. 方法的创新性

   • 本文首次提出了一个统一的最优传输框架，能够同时处理域内表示学习和跨域对齐，克服了以往方法的局限性，展现了在无监督学习场景中的潜力。

论文代码

代码链接：https://github.com/HCVLAB/ProtoOT

中文关键词

1. 无监督跨域图像检索
2. 最优传输
3. K均值聚类
4. 对比学习
5. 特征表示学习
6. 跨域对齐

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！