面向部分域自适应的判别性跨域特征学习
计算机视觉与模式识别
2020-08-27 v1
摘要
部分域自适应旨在将知识从更大且更多样的源域迁移到类别数更少、规模更小的目标域，已引起广泛关注。近期域自适应的实践通过引入目标域的伪标签来提取有效特征，以更好地克服跨域分布差异。然而，关键在于仅将目标数据与一小部分源数据对齐。本文提出一种新颖的判别性跨域特征学习（DCDF）框架，通过加权方案下的跨域图迭代优化目标标签。具体而言，提出加权跨域中心损失与加权跨域图传播，将无标签目标数据耦合到相关的源样本以实现判别性跨域特征学习，其中无关的源中心将被忽略，从而同时缓解边缘与条件差异。在多个流行基准上的实验评估表明，与最先进的部分域自适应方法相比，我们所提方法在促进无标签目标域识别方面具有有效性。
引用
@article{arxiv.2008.11360,
title = {Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation},
author = {Taotao Jing and Ming Shao and Zhengming Ding},
journal= {arXiv preprint arXiv:2008.11360},
year = {2020}
}