学习用于域适应的不变希尔伯特空间
计算机视觉与模式识别
2017-04-18 v2
摘要
本文介绍了一种学习方案，用于构造一个希尔伯特空间（即带有内积的向量空间）以解决无监督和半监督域适应问题。这是通过从每个域学习到潜空间的投影，沿潜空间的马氏度量，同时最小化域方差的概念并最大化判别力的度量来实现的。特别地，我们利用黎曼优化技术来匹配从不同域投影到潜空间中的样本之间的统计特性（例如，一阶和二阶统计量）。在可用类标签的情况下，我们进一步认为共享相同标签的样本形成更紧凑的簇，同时将来自不同类的样本推远。我们使用手工特征和深度网络特征，针对视觉域适应任务，广泛地评估并对比了我们提出的方法与最先进的方法。我们的实验表明，即使使用简单的最近邻分类器，所提出的方法也能胜过几种受益于更复杂分类方案的最先进方法。
引用
@article{arxiv.1611.08350,
title = {Learning an Invariant Hilbert Space for Domain Adaptation},
author = {Samitha Herath and Mehrtash Harandi and Fatih Porikli},
journal= {arXiv preprint arXiv:1611.08350},
year = {2017}
}
备注
24 pages, 7 figures