用于对抗域适应的域对称网络
计算机视觉与模式识别
2019-07-04 v2
摘要
无监督域适应旨在利用源域上带标签样本的训练数据，学习一个用于目标域上无标签样本分类器的模型。近期通过深度网络的域对抗训练学习不变特征取得了令人印象深刻的进展。尽管取得了近期进展，域适应在实现更细类别级别上特征分布的不变性方面仍受限。为此，我们在本文中提出一种称为域对称网络（SymNets）的新域适应方法。所提出的SymNet基于源域和目标域任务分类器的对称设计，基于此我们还构建了一个与它们共享层神经元的额外分类器。为训练SymNet，我们提出一种新颖的对抗学习目标，其关键设计基于两级域混淆方案，其中类别级混淆损失通过驱动中间网络特征在两个域的对应类别上不变，改进了域级混淆损失。域判别与域混淆均基于所构建的额外分类器实现。由于目标样本无标签，我们还提出一种跨域训练方案以帮助学习目标分类器。细致的消融研究显示了我们所提方法的有效性。特别地，基于常用基础网络，我们的SymNets在三个基准域适应数据集上取得了新的SOTA。
引用
@article{arxiv.1904.04663,
title = {Domain-Symmetric Networks for Adversarial Domain Adaptation},
author = {Yabin Zhang and Hui Tang and Kui Jia and Mingkui Tan},
journal= {arXiv preprint arXiv:1904.04663},
year = {2019}
}
备注
CVPR 2019 camera ready. Codes are available at: https://github.com/YBZh/SymNets