面向域适应的最大密度散度
计算机视觉与模式识别
2020-04-28 v1 机器学习
多媒体
机器学习
摘要
无监督域适应解决了将知识从标注良好的源域转移到数据分布迥异的未标注目标域的问题。因此，域适应的本质在于缓解两域之间的分布散度。最先进的方法通过执行对抗训练或最小化定义分布差距的度量来践行这一思想。本文提出一种名为对抗紧匹配（Adversarial Tight Match, ATM）的新域适应方法，其兼具对抗训练与度量学习的优势。具体而言，首先我们提出一种新颖的距离损失，称为最大密度散度（Maximum Density Divergence, MDD），以量化分布散度。MDD 最小化域间散度（ATM 中的“match”）并最大化类内密度（ATM 中的“tight”）。然后，为解决对抗域适应中的平衡挑战问题，我们考虑将所提 MDD 引入对抗域适应框架。最后，我们将所提 MDD 定制为实用的学习损失并给出我们的 ATM。我们给出了经验评估与理论分析以验证所提方法的有效性。在四个基准（包括经典与大规模）上的实验结果表明，我们的方法在大多数评估中能够达到新的 SOTA 性能。本文使用的代码与数据集可在 {\it github.com/lijin118/ATM} 获取。
引用
@article{arxiv.2004.12615,
title = {Maximum Density Divergence for Domain Adaptation},
author = {Li Jingjing and Chen Erpeng and Ding Zhengming and Zhu Lei and Lu Ke and Shen Heng Tao},
journal= {arXiv preprint arXiv:2004.12615},
year = {2020}
}
备注
Published on IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)