通过互易线性变换的直接域适应

我们提出一种直接域适应(DDA)方法,通过来自真实世界数据的特征丰富在合成数据上训练的监督神经网络的训练。该过程对输入到 NN 模型的特征(无论来自源域还是目标域)进行一系列线性操作,如下:1) 输入数据(即图像)与从该域所有图像中随机选取的样本像素(或像素)或所有图像所有随机选取样本像素(或像素)的均值做互相关。2) 将所得数据与另一域自相关输入图像的均值做卷积。在训练阶段,如预期,输入图像来自源域,自相关图像的均值从目标域计算。在推理/应用阶段,输入图像来自目标域,自相关图像的均值从源域计算。所提方法仅操纵源域和目标域的数据,不显式干扰训练流程与网络架构。一个在 MNIST 数据集上训练卷积神经网络并在 MNIST-M 数据集上测试该网络的应用,在测试数据上达到了 70% 的准确率。主成分分析(PCA)以及 t-SNE 表明,经所提直接变换后,源域和目标域的输入特征相较于原始 MNIST 和 MNIST-M 输入特征,沿主成分共享相似属性。