自适应 SVM+：利用特权信息进行领域自适应
计算机视觉与模式识别
2017-08-31 v1
摘要
在学习过程中融入额外知识有利于多种计算机视觉和机器学习任务。无论特权信息源自适配到目标域的源域，还是作为仅在训练时可用的附加特征，使用此类特权（即辅助）信息都至关重要，因为它能提升识别性能和泛化能力。然而，主要信息和特权信息很少源自同一分布，这给识别任务带来了额外挑战。为应对这些挑战，我们提出了一种新的学习范式，该范式在领域自适应设置中利用特权信息来执行视觉识别任务。所提出的框架名为自适应 SVM+（Adaptive SVM+），结合了利用特权信息学习（LUPI）范式和领域自适应框架的优势，二者自然地嵌入到常规支持向量机（SVM）的目标函数中。我们在公开可用的 Animals with Attributes 和 INTERACT 数据集上展示了该方法的有效性，并在两个数据集上均报告了最先进（SOTA）的结果。
引用
@article{arxiv.1708.09083,
title = {Adaptive SVM+: Learning with Privileged Information for Domain Adaptation},
author = {Nikolaos Sarafianos and Michalis Vrigkas and Ioannis A. Kakadiaris},
journal= {arXiv preprint arXiv:1708.09083},
year = {2017}
}
备注
To appear in ICCV Workshops 2017 (TASK-CV)