用于无监督域适应的相关性对齐
计算机视觉与模式识别
2016-12-07 v1 人工智能
神经与进化计算
摘要
在本章中，我们提出了一种简单而有效的无监督域适应方法：相关性对齐（CORAL）。CORAL通过对齐源分布和目标分布的二阶统计量来最小化域偏移，且不需要任何目标标签。与子空间流形方法不同，它对齐的是源域和目标域的原始特征分布，而非低维子空间的基。它也比其他分布匹配方法简单得多。CORAL在标准基准数据集的广泛评估中表现优异。我们首先描述了一种在分类器训练前对源特征应用线性变换以将其与目标特征对齐的解决方案。对于线性分类器，我们提出将CORAL等价地应用于分类器权重，当分类器数量较少但目标样本的数量和维度非常高时，这能提高效率。由此产生的CORAL线性判别分析（CORAL-LDA）在标准域适应基准上大幅优于LDA。最后，我们将CORAL扩展为学习对齐深度神经网络（DNN）中层激活相关性的非线性变换。由此产生的Deep CORAL方法可与DNN无缝协作，并在标准基准数据集上实现了SOTA性能。我们的代码可在以下网址获取：~\url{https://github.com/VisionLearningGroup/CORAL}
引用
@article{arxiv.1612.01939,
title = {Correlation Alignment for Unsupervised Domain Adaptation},
author = {Baochen Sun and Jiashi Feng and Kate Saenko},
journal= {arXiv preprint arXiv:1612.01939},
year = {2016}
}
备注
Introduction to CORAL, CORAL-LDA, and Deep CORAL. arXiv admin note: text overlap with arXiv:1511.05547