相关性感知的对抗域适应与域泛化
计算机视觉与模式识别
2019-12-02 v1 机器学习
摘要
域适应（DA）和域泛化（DG）已成为解决源数据与目标数据分布不同的域偏移问题的方案。DG 任务比 DA 更具挑战性，因为在 DG 场景中训练阶段完全未见到目标数据。当前 state-of-the-art 采用对抗技术，然而这些技术很少被考虑用于 DG 问题。此外，这些方法未考虑相关性对齐，而后者已被证明对最小化域差异极为有益。在本文中，我们提出了一种相关性感知的对抗 DA 和 DG 框架，其中使用相关性对齐与对抗学习相结合来最小化源数据和目标数据的特征。将相关性对齐模块与对抗学习结合有助于实现更具域不可知性的模型，因为其更有效地减少带有无标签目标数据的域差异的能力得到提升。在基准数据集上的实验证明，我们提出的方法取得了改进的 state-of-the-art 性能。
引用
@article{arxiv.1911.12983,
title = {Correlation-aware Adversarial Domain Adaptation and Generalization},
author = {Mohammad Mahfujur Rahman and Clinton Fookes and Mahsa Baktashmotlagh and Sridha Sridharan},
journal= {arXiv preprint arXiv:1911.12983},
year = {2019}
}
备注
Preprint submitted to Pattern Recognition, Accepted in Pattern Recognition