用于无监督领域自适应的深度重建-分类网络
计算机视觉与模式识别
2016-08-03 v2 人工智能
机器学习
机器学习
摘要
本文提出了一种基于深度学习的视觉物体识别无监督领域自适应新算法。具体而言，我们设计了一个名为深度重建-分类网络（DRCN）的新模型，该模型联合学习两个任务的共享编码表示：i）有标签源数据的监督分类，ii）无标签目标数据的无监督重建。这样，学习到的表示不仅保持了判别性，还编码了来自目标领域的有用信息。我们的新 DRCN 模型可以像标准神经网络一样使用反向传播进行优化。我们在一系列跨领域物体识别任务上评估了 DRCN 的性能，与先前最先进的算法相比，DRCN 提供了显著的改进（准确率最高提升约 8%）。有趣的是，我们还观察到 DRCN 的重建流程将源领域的图像转换为外观类似于目标数据集的图像。这表明 DRCN 的性能归因于构建了一个单一的复合表示，该表示同时编码了目标图像的结构信息和源图像的分类信息。最后，我们提供了形式化分析以论证该算法在领域自适应背景下的目标。
引用
@article{arxiv.1607.03516,
title = {Deep Reconstruction-Classification Networks for Unsupervised Domain Adaptation},
author = {Muhammad Ghifary and W. Bastiaan Kleijn and Mengjie Zhang and David Balduzzi and Wen Li},
journal= {arXiv preprint arXiv:1607.03516},
year = {2016}
}
备注
to appear in European Conference on Computer Vision (ECCV) 2016