广义域条件适配网络
计算机视觉与模式识别
2021-03-24 v1
摘要
域适配（DA）试图将标注源域中学到的知识迁移到未标注但相关的目标域，而无需大量目标监督。近期DA进展主要通过对齐源域和目标域分布实现。尽管取得显著成功，当源域和目标域遇到较大分布差异时，适配性能仍相应下降。我们认为该局限可能归因于对域专用特征探索不足，因为多数研究仅关注任务特定层中的域通用特征学习，并集成完全共享的卷积网络（convnets）为两域生成共同特征。本文放宽了先前DA方法采用的完全共享convnets假设，提出域条件适配网络（DCAN），其引入具有多路径结构的域条件通道注意力模块，为每个域分别激发通道激活。这种部分共享的convnets模块允许适当探索低层中的域专用特征。进一步，鉴于知识可迁移性随卷积层变化，我们提出广义域条件适配网络（GDCAN），自动确定是否应在各注意力模块中分别建模域通道激活。据此，可根据域统计差距自适应提取关键的域专用知识。据我们所知，这是首个为深度DA网络分别探索域间卷积通道激活的工作。此外，为有效匹配跨域高层特征分布，我们考虑在任务特定层后部署特征适配块，可显式缓解域差异。
引用
@article{arxiv.2103.12339,
title = {Generalized Domain Conditioned Adaptation Network},
author = {Shuang Li and Binhui Xie and Qiuxia Lin and Chi Harold Liu and Gao Huang and Guoren Wang},
journal= {arXiv preprint arXiv:2103.12339},
year = {2021}
}
备注
Accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI). Journal version of arXiv:2005.06717 (AAAI 2020). Code is available at https://github.com/BIT-DA/GDCAN