DeepJDOT：用于无监督域适应的深度联合分布最优传输
计算机视觉与模式识别
2018-09-06 v3 人工智能
摘要
在计算机视觉中，人们经常面临域偏移问题：当将源数据集上训练的分类器应用于具有相似特征（例如相同类别）但具有不同潜在数据结构（例如不同采集条件）的目标数据时，就会发生这种问题。在这种情况下，模型在新数据上表现不佳，因为分类器专用于识别源域特有的视觉线索。在本工作中，我们探索了一种名为 DeepJDOT 的解决方案来应对这一问题：通过基于最优传输对联合深度表示/标签进行差异度量，我们不仅学习了在源域和目标域之间对齐的新数据表示，而且同时保留了分类器使用的判别信息。我们将 DeepJDOT 应用于一系列视觉识别任务，其表现优于现有的深度域适应方法。
引用
@article{arxiv.1803.10081,
title = {DeepJDOT: Deep Joint Distribution Optimal Transport for Unsupervised Domain Adaptation},
author = {Bharath Bhushan Damodaran and Benjamin Kellenberger and Rémi Flamary and Devis Tuia and Nicolas Courty},
journal= {arXiv preprint arXiv:1803.10081},
year = {2018}
}
备注
European Conference on Computer Vision 2018 (ECCV-2018)