用于部分域自适应的深度残差校正网络
计算机视觉与模式识别
2020-04-13 v1
摘要
深度域自适应方法通过学习从标注良好的源域到不同但相关的无标注目标域的可迁移表示，取得了引人注目的性能。现有多数工作假设源域与目标域共享相同的标签空间，这在许多实际应用中往往难以满足。随着大数据的出现，存在一种更实际的场景称为部分域自适应，其中我们总能访问较大规模的源域，而处理相对小规模的目标域。此时，传统的域自适应假设应被放宽，目标标签空间往往是源标签空间的子集。直观上，增强最相关源子类的正向作用并削弱不相关源子类的负面影响，对解决部分域自适应挑战至关重要。本文提出一种高效实现的深度残差校正网络（DRCN），通过将一个残差块与任务特定特征层一起插入源网络，有效增强了从源到目标的自适应，并显式弱化了来自不相关源类的影响。具体而言，插入的残差块由若干全连接层组成，可加深基础网络并相应提升其特征表示能力。此外，我们设计了一种加权类级域对齐损失，通过匹配源与目标间共享类的特征分布来耦合两域。在部分、传统及细粒度跨域视觉识别上的综合实验表明，DRCN 优于具有竞争力的深度域自适应方法。
引用
@article{arxiv.2004.04914,
title = {Deep Residual Correction Network for Partial Domain Adaptation},
author = {Shuang Li and Chi Harold Liu and Qiuxia Lin and Qi Wen and Limin Su and Gao Huang and Zhengming Ding},
journal= {arXiv preprint arXiv:2004.04914},
year = {2020}
}
备注
Accepted by T-PAMI, 2020