基于域混合的对抗域适应
计算机视觉与模式识别
2019-12-05 v1 机器学习
摘要
近期关于域适应的工作揭示了对抗学习在填补源域与目标域之间差异方面的有效性。然而,当前基于对抗学习的方法存在两个常见局限。首先,仅来自两个域的样本不足以确保潜在空间大部分区域的域不变性。其次,这些方法中涉及的域判别器只能在硬标签指导下判断真或假,而使用软分数来评估生成的图像或特征更为合理,即充分利用域间信息。本文提出基于域混合的对抗域适应(DM-ADA),其在更连续的潜在空间中保证域不变性,并引导域判别器判断样本相对于源域和目标域的差异。域混合在像素与特征层面联合进行,以提升模型的鲁棒性。大量实验证明,所提方法在各种域偏移程度与数据复杂度的任务上均能取得优越性能。
引用
@article{arxiv.1912.01805,
title = {Adversarial Domain Adaptation with Domain Mixup},
author = {Minghao Xu and Jian Zhang and Bingbing Ni and Teng Li and Chengjie Wang and Qi Tian and Wenjun Zhang},
journal= {arXiv preprint arXiv:1912.01805},
year = {2019}
}
备注
Accepted as oral presentation at 34th AAAI Conference on Artificial Intelligence, 2020