DASA：使用系统性丢弃的栈式自编码器域适应
计算机视觉与模式识别
2016-03-22 v1 机器学习
摘要
域适应旨在将使用源域样本训练的基于机器学习的系统调整其行为，以适应样本统计特性不同的目标域部署。在目标域中直接训练或调整学习器面临缺乏大量标注样本的挑战。本文提出一种基于栈式自编码器（SAE）的深度神经网络（DNN）域适应技术，分两阶段进行：（i）在迷你批量训练中使用系统性丢弃（systematic dropout）进行无监督权重适应，（ii）利用目标域中有限数量的标注样本进行有监督微调。我们在视网膜血管分割问题中实验评估性能：SAE-DNN使用源域（DRIVE数据集）大量标注样本训练，并使用目标域（STARE数据集）较少标注样本进行适应。SAE-DNN在源域上使用度量的性能为，无适应与有适应分别为和，而仅使用目标域有限样本训练时为。ROC曲线下面积分别观测为、、和。DASA在血管分割中的高效性有力证实了我们的主张。
引用
@article{arxiv.1603.06060,
title = {DASA: Domain Adaptation in Stacked Autoencoders using Systematic Dropout},
author = {Abhijit Guha Roy and Debdoot Sheet},
journal= {arXiv preprint arXiv:1603.06060},
year = {2016}
}
备注
Accepted at Asian Conference on Pattern Recognition 2015