基于深度条件自适应网络的域适应与图像分类
计算机视觉与模式识别
2022-05-04 v2
摘要
无监督域适应旨在将源域上训练的监督模型推广到无标签的目标域。特征空间的边缘分布对齐被广泛用于减少源域和目标域之间的域差异。然而，该方法假设源域和目标域共享相同的标签分布，这限制了其应用范围。在本文中，我们考虑了一种更普遍的应用场景，即源域和目标域的标签分布不相同。在这种场景下，基于边缘分布对齐的方法容易受到负迁移的影响。为了解决这个问题，我们提出了一种新颖的无监督域适应方法——深度条件自适应网络（DCAN），该方法基于特征空间的条件分布对齐。具体来说，我们通过最小化源域和目标域深度特征条件分布之间的条件最大均值差异来减少域差异，并通过最大化样本与预测标签之间的互信息来提取目标域的判别信息。此外，DCAN 可用于解决一种特殊场景——部分无监督域适应，即目标域类别是源域类别的子集。在无监督域适应和部分无监督域适应上的实验表明，DCAN 相比现有最优方法取得了更优越的分类性能。
引用
@article{arxiv.2006.07776,
title = {Domain Adaptation and Image Classification via Deep Conditional Adaptation Network},
author = {Pengfei Ge and Chuan-Xian Ren and Dao-Qing Dai and Hong Yan},
journal= {arXiv preprint arXiv:2006.07776},
year = {2022}
}