用于无监督域适应的域不变对抗学习
计算机视觉与模式识别
2018-12-03 v1
摘要
无监督域适应旨在给定有标签源数据集和无标签目标数据集的情况下,为目标域学习一个强大的分类器。为缓解域适应主要挑战“域偏移”的影响,研究已尝试对齐两域分布。近期研究表明生成对抗网络(GAN)具有隐式捕捉数据分布的能力。本文中,我们因此提出一种简单而有效的利用对抗学习的无监督域适应模型。源域和目标域共享同一编码器,期望在对抗判别器的帮助下提取域不变表示。利用有标签源数据,我们引入中心损失以增强所学特征的判别力。我们进一步对齐两域的条件分布以强化目标域中特征的判别性。与以往用固定预训练编码器提取源特征的研究不同,我们的方法联合学习两域的特征表示。此外,通过共享编码器,模型在测试时无需知道图像来源,因而适用性更广。我们在多个无监督域适应基准上评估所提方法,取得了优于或可与最优结果媲美的性能。
引用
@article{arxiv.1811.12751,
title = {Domain-Invariant Adversarial Learning for Unsupervised Domain Adaption},
author = {Yexun Zhang and Ya Zhang and Yanfeng Wang and Qi Tian},
journal= {arXiv preprint arXiv:1811.12751},
year = {2018}
}