通过发现潜在域提升域自适应性能
计算机视觉与模式识别
2018-05-04 v1
摘要
当前基于深度架构的域自适应（DA）方法假设源样本来自单一分布。然而在实践中，大多数数据集可视为多个域的混合。在这些情况下，利用单源DA方法学习目标分类器可能导致次优甚至较差的结果。此外，在许多应用中难以为所有源数据点手动提供域标签，即应自动发现潜在域。本文提出一种新颖的卷积神经网络（CNN）架构，其（i）自动发现视觉数据集中的潜在域，且（ii）利用该信息学习鲁棒的目标分类器。我们的方法基于引入两个可嵌入任意现有CNN架构的主要组件：（i）自动计算源样本潜在域归属的侧分支，以及（ii）利用域成员信息将CNN内部特征表示分布适当对齐至参考分布的新颖层。我们在公开可用数据集上测试了该方法，表明其大幅优于最先进的多源DA方法。
引用
@article{arxiv.1805.01386,
title = {Boosting Domain Adaptation by Discovering Latent Domains},
author = {Massimiliano Mancini and Lorenzo Porzi and Samuel Rota Bulò and Barbara Caputo and Elisa Ricci},
journal= {arXiv preprint arXiv:1805.01386},
year = {2018}
}
备注
CVPR 2018