面向无监督域适应的深度对抗注意力对齐：目标期望最大化的益处
计算机视觉与模式识别
2018-08-14 v4
摘要
在本文中，我们利用卷积神经网络（CNN）对无监督域适应（UDA）作出两点贡献。首先，我们的方法通过注意力对齐在所有卷积层中迁移知识。多数已有方法对齐高层表示，例如全连接（FC）层的激活。然而在这些方法中，支撑关键底层域知识的卷积层无法直接更新以减小域差异。具体而言，我们假设图像中的判别区域对图像风格变化相对不变。基于该假设，我们在所有目标卷积层上提出一种注意力对齐方案以揭示源域共享的知识。其次，我们为未标记数据的目标网络训练估计后验标签分布。已有方法通过目标网络迭代更新伪标签并以更新后的伪标签精炼目标网络，易受标签估计误差影响。相反，我们的方法使用类别分布计算交叉熵损失进行训练，从而改善估计标签的误差累积。这两点贡献使我们的方法在 Office-31 数据集上以 +2.6% 优于最先进方法。
引用
@article{arxiv.1801.10068,
title = {Deep Adversarial Attention Alignment for Unsupervised Domain Adaptation: the Benefit of Target Expectation Maximization},
author = {Guoliang Kang and Liang Zheng and Yan Yan and Yi Yang},
journal= {arXiv preprint arXiv:1801.10068},
year = {2018}
}
备注
Accepted by ECCV 2018