基于交叉嫁接生成栈的深度对抗过渡学习
计算机视觉与模式识别
2022-07-22 v1 机器学习
摘要
计算机视觉中当前使用的深度域适应方法主要集中于学习跨不同领域的判别性与域不变特征。在本文中，我们提出一种新颖的“深度对抗过渡学习”（DATL）框架，通过采用可调的、交叉嫁接的生成网络栈以及过渡间有效的对抗学习，将源域和目标域投影到中间过渡空间来弥合域差距。具体而言，我们为两个域构建变分自编码器（VAE），并通过交叉嫁接VAE的解码器栈形成双向过渡。此外，采用生成对抗网络（GAN）进行域适应，将目标域数据映射到源域的已知标签空间。整体适应过程因而包含三个阶段：VAE的特征表示学习、过渡生成以及GAN的过渡对齐。实验结果表明，我们的方法在多个无监督域适应基准上优于最先进方法。
引用
@article{arxiv.2009.12028,
title = {Deep Adversarial Transition Learning using Cross-Grafted Generative Stacks},
author = {Jinyong Hou and Xuejie Ding and Stephen Cranefield and Jeremiah D. Deng},
journal= {arXiv preprint arXiv:2009.12028},
year = {2022}
}
备注
12 pages, 8 figures