超越域适应：基于通用非体积保持模型的未知域封装
计算机视觉与模式识别
2018-12-11 v1
摘要
跨域识别近来已成为研究界的一个活跃课题。然而，在新未知域中的识别问题在很大程度上被忽视了。在此条件下，所部署的深度网络模型无法被更新、适应或微调。因此，近期的深度学习技术，如：域适应、特征迁移和微调，均无法应用。本文提出一种新颖的通用非体积保持（Universal Non-volume Preserving）方法来解决深度学习背景下的域泛化问题。所提方法可轻易地以端到端深度网络设计整合进任何其他 ConvNet 框架以提升性能。在数字识别上，我们在四个流行的数字识别数据库（即 MNIST、USPS、SVHN 和 MNIST-M）上进行基准测试。所提方法还在扩展 Yale-B、CMU-PIE 和 CMU-MPIE 数据库上进行了人脸识别实验，并与其他最先进方法比较。在行人检测问题中，我们经实验观察到所提方法学习到的模型在先验未知的数据分布上提升了性能。
引用
@article{arxiv.1812.03407,
title = {Beyond Domain Adaptation: Unseen Domain Encapsulation via Universal Non-volume Preserving Models},
author = {Thanh-Dat Truong and Chi Nhan Duong and Khoa Luu and Minh-Triet Tran and Minh Do},
journal= {arXiv preprint arXiv:1812.03407},
year = {2018}
}