用于无监督域适应的切片沃瑟斯坦差异
计算机视觉与模式识别
2019-03-12 v1 机器学习
机器学习
摘要
在这项工作中，我们将无监督域适应的两个不同概念联系起来：利用任务特定决策边界和沃瑟斯坦度量进行跨域特征分布对齐。我们提出的切片沃瑟斯坦差异（SWD）旨在捕捉任务特定分类器输出之间天然的不相似度概念。它提供了一种几何上有意义的引导，以检测远离源域支撑的目标样本，并以端到端可训练的方式实现高效的分布对齐。在实验中，我们在数字与符号识别、图像分类、语义分割和目标检测上验证了方法的有效性与通用性。
引用
@article{arxiv.1903.04064,
title = {Sliced Wasserstein Discrepancy for Unsupervised Domain Adaptation},
author = {Chen-Yu Lee and Tanmay Batra and Mohammad Haris Baig and Daniel Ulbricht},
journal= {arXiv preprint arXiv:1903.04064},
year = {2019}
}
备注
Accepted at CVPR 2019