用于无监督域适应的深度球面流形高斯核
计算机视觉与模式识别
2021-05-06 v1
摘要
无监督域适应是一种在将知识从已有丰富标注的域迁移到新域时解决域偏移问题的有效方法。现有的基于流形的方法要么基于传统模型，要么主要依赖 Grassmann 流形通过最小化两域单一协方差矩阵的差异。此外，现有的伪标注算法在对齐两域间条件分布时未能充分考虑伪标签的质量。本工作提出一种深度球面流形高斯核（DSGK）框架，将源域和目标域子空间映射到一个球面流形上，并通过嵌入所提取的特征与高斯核来减小二者间的差异。为对齐条件分布，我们进一步开发了一种由易到难的伪标签精炼过程以提高伪标签质量，进而减小类别球面流形高斯核测地损失。大量实验结果表明 DSGK 优于最先进的方法，尤其在具有挑战性的跨域学习任务上。
引用
@article{arxiv.2105.02089,
title = {Deep Spherical Manifold Gaussian Kernel for Unsupervised Domain Adaptation},
author = {Youshan Zhang and Brian D. Davison},
journal= {arXiv preprint arXiv:2105.02089},
year = {2021}
}