用于开集域自适应的平衡随机森林协同训练
计算机视觉与模式识别
2020-02-11 v1
摘要
本文提出一种结合卷积神经网络的平衡随机森林协同训练算法，用于域自适应任务。在真实场景中，多数域自适应算法面临噪声、训练数据不足及开集分类的挑战。此类情况下，常规方法易过拟合，且无法成功将源域知识迁移至目标域。为解决这些问题，提出以下两项技术。首先，我们引入基于卷积神经网络的优化决策树构建方法，在最大化信息增益的同时将各节点数据等分为相同规模。由于均匀分裂约束，该方法在深度特征上生成平衡决策树，从而增强判别力并缓解过拟合。其次，为处理域错位问题，我们提出域对齐损失，对源域与目标域数据的不均匀分裂进行惩罚。通过协同优化带标签源数据的信息增益与无标签目标数据分布的熵，所提 CoBRF 算法取得了显著优于现有最优方法的性能。
引用
@article{arxiv.2002.03642,
title = {Collaborative Training of Balanced Random Forests for Open Set Domain Adaptation},
author = {Jongbin Ryu and Jiun Bae and Jongwoo Lim},
journal= {arXiv preprint arXiv:2002.03642},
year = {2020}
}