循环一致条件对抗迁移网络
计算机视觉与模式识别
2019-09-18 v1 多媒体
摘要
域适应研究跨域知识迁移问题，其中带标签的源域与无标签的目标域具有迥异的数据分布。近来，对抗训练已成功应用于域适应并达到最先进性能。然而，当前对抗模型仍存在由对抗训练平衡难题引发的致命弱点。具体而言，尽管多数现有方法能混淆域判别器，却无法保证源域与目标域足够相似。本文提出一种名为循环一致条件对抗迁移网络（3CATN）的新方法以处理该问题。我们的方法借助对抗训练关注域对齐。具体地，我们以所学特征与分类器预测的交叉协方差为条件约束对抗网络，以捕捉数据分布的多模态结构。然而，由于分类器预测并非确定信息，在预测不准时以预测作强约束存在风险。因此，我们进一步提出真正域不变特征应能在域间相互转换。为此，我们在条件对抗域适应网络中引入两个特征转换损失与一个循环一致损失。在经典与大规模数据集上的大量实验验证了我们的模型能以显著改进超越以往最先进方法。
引用
@article{arxiv.1909.07618,
title = {Cycle-consistent Conditional Adversarial Transfer Networks},
author = {Jingjing Li and Erpeng Chen and Zhengming Ding and Lei Zhu and Ke Lu and Zi Huang},
journal= {arXiv preprint arXiv:1909.07618},
year = {2019}
}
备注
Codes at github.com/lijin118/3CATN