用于跨域图像分类的多表示自适应网络
计算机视觉与模式识别
2022-01-05 v1 人工智能
机器学习
摘要
在图像分类中，获取充足标签往往昂贵且耗时。为解决该问题，在存在大量来自相似性质但不同域的标注数据时，域自适应常提供一个有吸引力的选择。现有方法主要对齐由单一结构提取的表示分布，而这些表示可能仅包含部分信息，例如仅包含部分饱和度、亮度和色调信息。沿此思路，我们提出多表示自适应，可显著提升跨域图像分类精度，并专门旨在对齐由名为Inception自适应模块(IAM)的混合结构提取的多种表示分布。基于此，我们提出多表示自适应网络(MRAN)，通过多表示对齐完成跨域图像分类任务，从而能从不同方面捕获信息。此外，我们将最大均值差异(MMD)扩展以计算自适应损失。我们的方法可通过为大多数前馈模型扩展IAM轻松实现，且网络可通过反向传播高效训练。在三个基准图像数据集上的实验证明了MRAN的有效性。代码已发布于https://github.com/easezyc/deep-transfer-learning。
引用
@article{arxiv.2201.01002,
title = {Multi-Representation Adaptation Network for Cross-domain Image Classification},
author = {Yongchun Zhu and Fuzhen Zhuang and Jindong Wang and Jingwu Chen and Zhiping Shi and Wenjuan Wu and Qing He},
journal= {arXiv preprint arXiv:2201.01002},
year = {2022}
}
备注
Neural Networks regular paper. Transfer Learning, Domain Adaptation