一种用于域适应的批归一化分类器
计算机视觉与模式识别
2021-03-23 v1 机器学习
摘要
使模型在其训练集之外的未知数据上表现良好是一个常见问题，持续推动着新方法的发展。我们证明，在输出层、softmax激活之前应用批归一化（batch normalization），可在精炼的ResNet模型中改善跨视觉数据域的泛化能力。该方法增加的计算复杂度可忽略不计，却优于许多显式学习对齐数据域的域适应方法。我们在Office-Home数据集上对该技术进行基准测试，表明批归一化与其他领先方法具有竞争力。我们展示该方法对适应过程中源数据的存在不敏感，并进一步呈现对训练张量分布的影响趋向于稀疏性。代码可在 https://github.com/matthewbehrend/BNC 获取。
引用
@article{arxiv.2103.11642,
title = {A Batch Normalization Classifier for Domain Adaptation},
author = {Matthew R. Behrend and Sean M. Robinson},
journal= {arXiv preprint arXiv:2103.11642},
year = {2021}
}