用于零样本域适应的条件耦合生成对抗网络
计算机视觉与模式识别
2020-09-14 v1
摘要
在一个域上训练的机器学习模型因域偏移的存在而在其他域上表现不佳。域适应技术通过从标签丰富的源域到标签稀缺的目标域训练可迁移模型来解决此问题。遗憾的是,现有多数域适应技术依赖目标域数据的可用性,从而将其应用限制在少数计算机视觉问题的小圈子里。在本文中,我们处理具有挑战性的零样本域适应(ZSDA)问题,其中目标域数据在训练阶段不可用。为此,我们通过将耦合生成对抗网络(CoGAN)扩展为条件模型,提出条件耦合生成对抗网络(CoCoGAN)。与现有最优方法相比,我们提出的 CoCoGAN 能够捕捉两个不同任务中双域样本的联合分布,即相关任务(RT)和一个不相关任务(IRT)。我们用 RT 中的源域样本和 IRT 中的双域样本训练 CoCoGAN 以完成域适应。前者提供不可用目标域数据的高层概念,后者携带 RT 与 IRT 中两域之间的共享关联。为在 RT 缺少目标域数据的情况下训练 CoCoGAN,我们提出一种新的监督信号,即跨任务表示之间的对齐。大量实验表明,我们提出的 CoCoGAN 在图像分类上优于现有最优方法。
引用
@article{arxiv.2009.05228,
title = {Conditional Coupled Generative Adversarial Networks for Zero-Shot Domain Adaptation},
author = {Jinghua Wang and Jianmin Jiang},
journal= {arXiv preprint arXiv:2009.05228},
year = {2020}
}