探索用于域适应的Dropout判别器
机器学习
2021-07-12 v1 人工智能
计算机视觉与模式识别
摘要
将分类器适配到新域是机器学习中的挑战性问题之一。已有许多基于深度和非深度学习的方法对此加以解决。在所采用的方法中,对抗学习被广泛用于解决诸多深度学习问题以及域适应。这些方法基于一个判别器来确保源分布和目标分布接近。然而,此处我们认为,与其使用单个判别器得到的点估计,不如使用基于判别器集成的概率分布来弥合这一差距。这可以通过多个分类器或使用传统集成方法实现。相反,我们提出基于Monte Carlo dropout的集成判别器足以获得基于分布的判别器。具体地,我们提出了一种基于课程学习的dropout判别器,逐步增大基于样本的分布的方差,并利用相应的反向梯度来对齐源和目标特征表示。判别器集成有助于模型高效学习数据分布,也为训练特征提取器提供了更好的梯度估计。详细结果和充分的消融分析表明,我们的模型优于state-of-the-art结果。
引用
@article{arxiv.2107.04231,
title = {Exploring Dropout Discriminator for Domain Adaptation},
author = {Vinod K Kurmi and Venkatesh K Subramanian and Vinay P. Namboodiri},
journal= {arXiv preprint arXiv:2107.04231},
year = {2021}
}
备注
This work is an extension of our BMVC-2019 paper (arXiv:1907.10628)