用于领域自适应的分层自适应结构 SVM
计算机视觉与模式识别
2014-08-26 v1 机器学习
摘要
分类中的一个关键问题是，当训练（源）域中的数据分布与测试（目标）域中的数据分布不同时所产生的精度损失。这被公认为是图像分类、物体检测和物体类别识别等诸多计算机视觉任务中一个非常相关的问题。在本文中，我们提出了一种新的领域自适应方法，该方法在分层自适应树中利用多个目标域（或子域）。其核心思想是利用共同考虑的目标域之间的共性和差异。鉴于结构 SVM (SSVM) 分类器的相关性，我们将我们的思想应用于自适应 SSVM (A-SSVM)，该方法仅需目标域样本以及现有的源域分类器即可执行所需的自适应。总体而言，我们将我们的方案称为分层 A-SSVM (HA-SSVM)。作为概念验证，我们将 HA-SSVM 用于行人检测和物体类别识别。在前者中，我们将 HA-SSVM 应用于可变形部件模型 (DPM)，而在后者中，HA-SSVM 应用于多类别分类器。在这两种情况下，我们都展示了 HA-SSVM 在提高检测/识别精度方面相对于忽略目标数据结构性的自适应策略的有效性。由于目标数据的子域并非总是先验已知的，我们展示了 HA-SSVM 如何结合子域结构发现以进行物体类别识别。
引用
@article{arxiv.1408.5400,
title = {Hierarchical Adaptive Structural SVM for Domain Adaptation},
author = {Jiaolong Xu and Sebastian Ramos and David Vazquez and Antonio M. Lopez},
journal= {arXiv preprint arXiv:1408.5400},
year = {2014}
}