AD-Aligning：用于深度学习认知域适应的人类类推方法
计算机视觉与模式识别
2024-11-12 v2 图像与视频处理
摘要
域适应对于使深度学习模型在不同域之间实现泛化至关重要，而这种任务因呈现方式和认知细微差异而复杂。本文引入AD-Aligning方法，结合对抗训练与源域-目标域对齐，以增强模型的泛化能力。通过采用珊瑚损失（Coral loss）和标准损失进行预训练，AD-Aligning将目标域统计特性与预训练编码器的统计特性对齐，既保持鲁棒性又适应域迁移。通过在多样数据集和域迁移情景（包括噪声引起的迁移和认知域适应任务）上的大量实验，我们展示AD-Aligning在深度珊瑚（Deep Coral）和ADDa等现有方法方面的优越性能。我们的发现表明，AD-Aligning能够模拟人类感知中所体现的细致认知过程，为需要具有适应性和鲁棒性的实际应用提供了有前景的解决方案。
引用
@article{arxiv.2405.09582,
title = {AD-Aligning: Emulating Human-like Generalization for Cognitive Domain Adaptation in Deep Learning},
author = {Zhuoying Li and Bohua Wan and Cong Mu and Ruzhang Zhao and Shushan Qiu and Chao Yan},
journal= {arXiv preprint arXiv:2405.09582},
year = {2024}
}
备注
Accepted by 2024 5th International Conference on Electronic Communication and Artificial Intelligence