对抗丢弃正则化

我们提出了一种将神经表示从标签丰富的源域迁移到无标签目标域的方法。近期针对该任务提出的对抗方法通过学习欺骗一个特殊的域判别网络来对齐跨域特征。然而，该方法的一个缺陷是判别器仅将生成的特征标记为域内或域外，而不考虑类间边界。这可能导致在类边界附近生成模糊特征，降低目标分类精度。我们提出一种新方法——对抗丢弃正则化（ADR），以鼓励生成器为目标域输出更具判别性的特征。我们的核心思想是用一个通过分类器网络上的 dropout 来检测非判别性特征的判别器替代原判别器。生成器随后学习避开特征空间中的这些区域，从而生成更好的特征。我们将 ADR 方法应用于图像分类与语义分割任务的无监督域适应问题，并展示了相较当前最优方法的显著改进。我们还表明该方法可用于训练生成对抗网络（GAN）以进行半监督学习。