Universal Domain Adaptation aims to transfer the knowledge between the datasets by handling two shifts: domain-shift and category-shift. The main challenge is correctly distinguishing the unknown target samples while adapting the distribution of known class knowledge from source to target. Most existing methods approach this problem by first training the target-adapted known classifier and then relying on the single threshold to distinguish unknown target samples. However, this simple threshold-based approach prevents the model from considering the underlying complexities existing between the known and unknown samples in the high-dimensional feature space. In this paper, we propose a new approach in which we use two sets of feature points, namely dual \textbf{C}lassifiers for \textbf{P}rototypes and \textbf{R}eciprocals (\textbf{CPR}). Our key idea is to associate each prototype with corresponding known class features while pushing the reciprocals apart from these prototypes to locate them in the potential unknown feature space. The target samples are then classified as unknown if they fall near any reciprocals at test time. To successfully train our framework, we collect the partial, confident target samples that are classified as known or unknown through our proposed multi-criteria selection. We then additionally apply the entropy loss regularization to them. For further adaptation, we also apply standard consistency regularization that matches the predictions of two different views of the input to make a more compact target feature space. We evaluate our proposal, CPR, on three standard benchmarks and achieve comparable or new state-of-the-art results. We also provide extensive ablation experiments to verify our main design choices in our framework.
보편적 영역적응은 주어진 데이터셋들 간의 지식을 전달하면서 영역 변환, 카테고리 변환을 해결하고자 한다. 이 중 가장 어려운 부분은 소스 영역에서 타겟 영역으로 알고 있는 클래스의 분포 지식에 적응하면서 모르는 클래스의 타겟 샘플들을 올바르게 구별하는 것이다. 대부분의 이전 방법들은 타겟에 적응된 분류기를 학습하고 하나의 경계값을 사용해 모르는 클래스의 타겟 샘플들을 구별했다. 하지만, 이러한 경계값을 사용한 방법은 모델로 하여금 높은 차원은 특징 공간에서 알고있는 클래스와 모르는 클래스 샘플들간의 복잡한 관계성을 찾지 못 하게 한다. 이 논문에서 우리는 두 가지의 특징점들을 사용하며, 중심점과 반대점의 이중 분류기 (CPR)이라 이름 붙였다. 우리의 주 아이디어는 각 중심점들을 해당하는 알고 있는 클래스의 특징과 연관지으면서 반대점들은 중심점들과 멀어지게 만들어 잠재적 모르는 특징 영역에 위치하게 만드는 것이다. 타겟 샘플들은 테스트시에 반대점에 가까우면 모르는 클래스라고 분류된다. 이 방법으로 학습하기 위해 우리가 제안하는 다중 기준 선택법을 사용해 분류된 샘플들 중 확실하고 믿을 수 있는 타겟 샘플들을 선택해 학습한다. 그리고 나서 해당 샘플들에게 엔트로피 정규화를 적용한다. 보다 나은 적응결과를 위해 우리는 타겟 샘플들의 두 가지 다른 관점들 간의 일치 정규화를 시켜 밀집된 타겟 특징 영역을 만들고자 했다. 우리는 세 가지 기준이 되는 벤치마크에서 평가해 기존의 모델들 보다도 비슷하거나 더 나은 성능을 달성했다. 그리고 추가 실험들을 통해 우리의 방법의 당위성을 검증했다.
