用于对抗域适应的类分布对齐
计算机视觉与模式识别
2020-04-21 v1
摘要
大多数现有的无监督域适应方法主要聚焦于对齐源域与目标域样本的边缘分布。该设定未充分考虑两域之间的类分布信息，可能不利于域差距的缩减。为解决此问题，我们提出一种称为条件对抗图像翻译（Conditional ADversarial Image Translation, CADIT）的新方法，以显式对齐两域给定样本的类分布。它集成了判别结构保持损失与联合对抗生成损失。前者有效防止图像翻译全过程中的不期望标签翻转，后者保持图像与标签的联合分布对齐。此外，我们的方法强制目标域图像在适应前后分类一致性，以辅助两域中的分类器训练。在包括 Digits、Faces、Scenes 与 Office31 的多个基准数据集上进行了广泛实验，表明相较于 SOTA 方法，我们的方法在目标域中取得了更优分类。同时，定性与定量结果均良好支持了我们的动机：对齐类分布确实能改善域适应。
引用
@article{arxiv.2004.09403,
title = {Class Distribution Alignment for Adversarial Domain Adaptation},
author = {Wanqi Yang and Tong Ling and Chengmei Yang and Lei Wang and Yinghuan Shi and Luping Zhou and Ming Yang},
journal= {arXiv preprint arXiv:2004.09403},
year = {2020}
}