无监督域适配中使用生成对抗网络保持语义一致性
计算机视觉与模式识别
2021-04-29 v1 人工智能
机器学习
摘要
无监督域适配旨在缓解源域与目标域之间的分布差异，给定源域的带标签样本和目标域的无标签样本。生成对抗网络(GANs)通过生成用于训练的域特定图像，在域适配方面取得了显著改进。然而，大多数现有的基于GAN的无监督域适配技术未在域匹配过程中考虑语义信息，因此当源域和目标域数据语义不同时这些方法性能下降。本文中，我们提出一种端到端的新型语义一致生成对抗网络(SCGAN)。该网络通过在特征级捕获语义信息并生成来自源域和目标域的用于无监督域适配的图像，实现源到目标域的匹配。我们通过在数字和物体分类任务上实验，证明了所提方法的鲁棒性超越了无监督域适配设定下的当前最优性能。
引用
@article{arxiv.2104.13725,
title = {Preserving Semantic Consistency in Unsupervised Domain Adaptation Using Generative Adversarial Networks},
author = {Mohammad Mahfujur Rahman and Clinton Fookes and Sridha Sridharan},
journal= {arXiv preprint arXiv:2104.13725},
year = {2021}
}
备注
Submitted to Pattern Recognition Letters