用于无监督域适应的对抗式双异质分类器
计算机视觉与模式识别
2020-08-28 v1
摘要
无监督域适应（UDA）试图通过从分布不同的带标签源域构建学习模型来识别无标签目标样本。传统的 UDA 集中于通过深度对抗网络提取域不变特征。然而，其中多数致力于匹配不同域的特征分布，而未考虑跨各类别的任务相关决策边界。本文提出一种新颖的对抗式双异质分类器网络（ADCN），在匹配任务相关类别边界的同时对齐源域和目标域数据分布。具体而言，利用域不变特征生成器在判别性跨域对齐的引导下将源域和目标域数据嵌入潜在公共空间。此外，我们自然地设计两个结构不同的分类器，在带标签源域数据监督下识别无标签目标样本。这种具有不同架构的双异质分类器可从不同视角捕获目标数据结构的多样知识。在多个跨域视觉基准上的大量实验结果通过与其它最先进（state-of-the-art）UDA 方法比较，证明了模型的有效性。
引用
@article{arxiv.2008.11878,
title = {Adversarial Dual Distinct Classifiers for Unsupervised Domain Adaptation},
author = {Taotao Jing and Zhengming Ding},
journal= {arXiv preprint arXiv:2008.11878},
year = {2020}
}