丢弃以适配：面向无监督域适应的判别性特征学习
计算机视觉与模式识别
2019-10-15 v1
摘要
近期域适应工作利用对抗训练，从特征提取器与域判别器网络的联合学习中获取域不变特征表示。然而，域对抗方法试图在不考虑具体任务的情况下匹配域间分布，因而表现次优。我们提出 Drop to Adapt (DTA)，其利用对抗丢弃通过强化聚类假设来学习强判别性特征。相应地，我们设计目标函数以支持鲁棒的域适应。我们在多项实验中证明了所提方法的有效性，并在图像分类与语义分割任务上取得一致改进。我们的源代码发布于 https://github.com/postBG/DTA.pytorch。
引用
@article{arxiv.1910.05562,
title = {Drop to Adapt: Learning Discriminative Features for Unsupervised Domain Adaptation},
author = {Seungmin Lee and Dongwan Kim and Namil Kim and Seong-Gyun Jeong},
journal= {arXiv preprint arXiv:1910.05562},
year = {2019}
}
备注
ICCV 2019