用于无监督域适应的对比适应网络
计算机视觉与模式识别
2019-04-12 v2
摘要
无监督域适应（UDA）在仅源域有手动标注时对目标域数据做出预测。先前方法最小化域差异而忽略类别信息，可能导致错位与较差的泛化性能。为解决此问题，本文提出对比适应网络（CAN），优化一种显式建模类内域差异与类间域差异的新度量。我们设计了以端到端方式训练CAN的交替更新策略。在Office-31与VisDA-2017两个真实基准上的实验表明，CAN优于当前最优方法并生成更具判别性的特征。
引用
@article{arxiv.1901.00976,
title = {Contrastive Adaptation Network for Unsupervised Domain Adaptation},
author = {Guoliang Kang and Lu Jiang and Yi Yang and Alexander G Hauptmann},
journal= {arXiv preprint arXiv:1901.00976},
year = {2019}
}
备注
Accepted by CVPR 2019