用于无监督域适应的对抗特征增强
计算机视觉与模式识别
2018-05-07 v2
摘要
近期工作表明生成对抗网络（GANs）可成功应用于无监督域适应：给定有标签的源数据集与无标签的目标数据集，目标是训练出对目标样本具有强大分类能力的分类器。特别地，已有研究表明 GAN 目标函数可用于学习与目标特征不可区分的源特征。本工作中，我们扩展该框架：（i）迫使所学特征提取器具有域不变性；（ii）通过在特征空间中进行数据增强（即执行特征增强）来训练它。尽管图像空间中的数据增强是深度学习中成熟的技术，特征增强尚未受到同等关注。我们通过一个特征生成器实现该目的，该生成器通过与源特征对抗进行 GAN 极小极大博弈来训练。结果表明，在多个无监督域适应基准上，强制域不变性与执行特征增强均带来优于或与最先进结果相当的性能。
引用
@article{arxiv.1711.08561,
title = {Adversarial Feature Augmentation for Unsupervised Domain Adaptation},
author = {Riccardo Volpi and Pietro Morerio and Silvio Savarese and Vittorio Murino},
journal= {arXiv preprint arXiv:1711.08561},
year = {2018}
}
备注
Accepted to CVPR 2018