Node-Adapt、Path-Adapt与Tree-Adapt：面向随机森林的模型迁移域适应
计算机视觉与模式识别
2016-11-10 v1
摘要
随机森林（RF）是一种成功的学习分类器范式，因其能从大特征空间学习并无缝集成多类分类，以及所达到的准确率和效率。然而，如同许多其他分类器，RF需要域适应（DA），前提是训练（源）域与测试（目标）域之间存在不匹配导致分类退化。因此，提出了不同的RF-DA方法，不仅要求目标域样本，还需重新访问源域样本。作为新颖点，我们提出三种本质不同的方法（Node-Adapt、Path-Adapt和Tree-Adapt），仅需要学习到的源域RF和相对较少的目标域样本进行DA，即源域样本无需可用。为评估我们方案的性能，我们聚焦于基于图像的目标检测，以行人检测问题作为具有挑战性的概念验证。此外，我们使用带专家节点的RF，因其是一种有竞争力的基于块（patch-based）的行人模型。我们在标准基准上测试了Node-、Path-和Tree-Adapt方法，表明DA在很大程度上得以实现。
引用
@article{arxiv.1611.02886,
title = {Node-Adapt, Path-Adapt and Tree-Adapt:Model-Transfer Domain Adaptation for Random Forest},
author = {Azadeh S. Mozafari and David Vazquez and Mansour Jamzad and Antonio M. Lopez},
journal= {arXiv preprint arXiv:1611.02886},
year = {2016}
}