面向部分域自适应的类条件对齐
计算机视觉与模式识别
2020-03-17 v1
摘要
对抗自适应模型在将知识从有标签的源数据集迁移到无标签的目标数据集方面已展现出显著进展。部分域自适应（PDA）研究的是源域庞大且多样、且目标标签空间是源标签空间子集的场景。PDA的主要目的是识别域间共享的类别，并促进从这些类别中学习可迁移的知识。本文中，我们提出了一种用于PDA的多类对抗架构。所提方法通过极大极小化一种新颖的多类对抗损失函数，在共享标签空间中联合对齐边缘分布与类条件分布。此外，我们引入了有效的正则化项以鼓励选择最相关的源域类别子集。在缺乏目标标签的情况下，所提方法能够有效学习域不变特征表示，从而提升目标域中的分类性能。在Office-31、Office-Home和Caltech-Office三个基准数据集上的综合实验证实了所提方法在处理不同部分迁移学习任务中的有效性。
引用
@article{arxiv.2003.06722,
title = {Class Conditional Alignment for Partial Domain Adaptation},
author = {Mohsen Kheirandishfard and Fariba Zohrizadeh and Farhad Kamangar},
journal= {arXiv preprint arXiv:2003.06722},
year = {2020}
}