少样本对抗域适应
计算机视觉与模式识别
2017-11-08 v1
摘要
本工作提供了一个利用深度模型解决有监督域适应问题的框架。主要思想是借助对抗学习来学习一个嵌入子空间，该子空间在最大化两个域之间混淆程度的同时，在语义上对齐它们的嵌入。当有监督设置中仅有少量目标数据样本需要被标注时，其尤其具有吸引力。在这种少样本学习场景下，由于数据缺乏，语义概率分布的对齐与分离十分困难。我们发现，通过精心设计一种训练方案，将典型的二值对抗判别器增强为区分四个不同类别，可以有效解决有监督适应问题。此外，该方法具有高速的适应性，即它需要极少的有标注目标训练样本，甚至每类一个样本即可奏效。随后我们在两个实验中将该方法与域适应领域的SOTA进行了广泛比较：一个使用手写数字识别数据集，另一个使用视觉对象识别数据集。
引用
@article{arxiv.1711.02536,
title = {Few-Shot Adversarial Domain Adaptation},
author = {Saeid Motiian and Quinn Jones and Seyed Mehdi Iranmanesh and Gianfranco Doretto},
journal= {arXiv preprint arXiv:1711.02536},
year = {2017}
}
备注
Accepted to NIPS 2017. arXiv admin note: text overlap with arXiv:1709.10190