全都要适配：用于真实场景识别的像素与特征级联合域适配
计算机视觉与模式识别
2019-05-30 v2
摘要
深度域适配的近期进展已实现从有标签源域到无标签目标域在中间特征或输入像素层面的知识迁移。我们提出，通过结合二者可获取优势，体现为导致新颖设计的不同洞见以及带来更优性能的互补特性。在特征层面，受半监督学习启发，我们提出分类感知的域对抗神经网络，将目标样本带入源域中更易分类的区域。接着，我们认为计算机视觉洞见更适于在像素层面注入。具体而言，我们利用基于广义表观流的3D几何与图像合成来在姿态变换下保持身份，同时使用属性条件CycleGAN将单一源域转化为多个在光照等低层属性上不同的目标图像。除标准无监督域适配（UDA）基准外，我们还在一项新颖且贴切的问题上验证：利用来自网络的带标签图像识别无标签监控图像中的车辆，通过像素级适配处理显式指定、可命名的变异因素，并通过特征级适配处理隐式、未指定的因素。
引用
@article{arxiv.1803.00068,
title = {Gotta Adapt 'Em All: Joint Pixel and Feature-Level Domain Adaptation for Recognition in the Wild},
author = {Luan Tran and Kihyuk Sohn and Xiang Yu and Xiaoming Liu and Manmohan Chandraker},
journal= {arXiv preprint arXiv:1803.00068},
year = {2019}
}
备注
Accepted to CVPR 2019