面向部分域适应的样例迁移学习
计算机视觉与模式识别
2019-04-09 v2
摘要
域适应对于在新且未见过的环境中学习至关重要。借助域对抗训练，深度网络能够学习解耦且可迁移的特征，有效减小源域与目标域之间的数据集偏移以实现知识迁移。在大数据时代，大规模标注数据集的易得性激发了人们对部分域适应（PDA）的广泛兴趣，其将识别器从标注的大域迁移到未标注的小域。它将标准域适应扩展到目标标签仅为源标签子集的场景。在目标标签未知的条件下，PDA 的关键挑战是如何迁移共享类别中的相关样例以促进正迁移，并忽略特定类别中的不相关样例以缓解负迁移。本工作中，我们提出一种统一的 PDA 方法——样例迁移网络（ETN），它联合学习源域与目标域间的域不变表示，以及一种渐进式加权方案，该方案量化源样例的可迁移性，同时控制它们对目标域学习任务的重要性。在多个基准数据集上的充分评估表明，我们的方法在部分域适应任务上取得了最先进（state-of-the-art）的结果。
引用
@article{arxiv.1903.12230,
title = {Learning to Transfer Examples for Partial Domain Adaptation},
author = {Zhangjie Cao and Kaichao You and Mingsheng Long and Jianmin Wang and Qiang Yang},
journal= {arXiv preprint arXiv:1903.12230},
year = {2019}
}
备注
CVPR 2019 accepted