用于跨域视觉识别的对抗迁移学习
计算机视觉与模式识别
2019-12-25 v2
摘要
在许多实际的视觉识别场景中，源域中的特征分布通常与目标域不同，这导致了通用跨域视觉识别问题的出现。为解决视觉域失配问题，我们提出一种新颖的半监督对抗迁移学习方法，称为耦合对抗迁移域适应（CatDA），用于两域间的分布对齐。所提 CatDA 方法受 cycleGAN 启发，但采用多个浅层多层感知机（MLP）而非深度网络。具体而言，我们的 CatDA 由两个对称且精简的子网络组成，从而构建了耦合对抗学习框架。借助两个生成器的这种对称性，来自源/目标域的输入数据可被送入 MLP 网络以生成目标/源域数据，并由两个面向对抗的耦合判别器监督。值得注意的是，为避免域对抗训练期间特征提取函数高容量的关键缺陷，我们在每个生成器中提出域特定损失与域知识保真损失，从而保障所提迁移网络的有效性。此外，与 cycleGAN 的本质区别在于，我们的方法旨在生成域无关且对齐的特征用于域适应与迁移学习，而非合成逼真图像。我们在多个基准数据集上的实验表明，所提方法取得了优于最先进域适应与迁移学习方法的竞争性性能。
引用
@article{arxiv.1711.08904,
title = {Adversarial Transfer Learning for Cross-domain Visual Recognition},
author = {Shanshan Wang and Lei Zhang and JingRu Fu},
journal= {arXiv preprint arXiv:1711.08904},
year = {2019}
}