面向零样本域适应的任务引导组合式表征学习
计算机视觉与模式识别
2021-09-14 v1
摘要
零样本域适应(ZDA)方法旨在将源域中学习任务所获得的知识迁移到目标域，而目标域数据不可用。在本工作中，我们针对ZDA，考虑任务特性，研究对不同域不变且共享的特征表征学习。为此，我们提出一种任务引导的ZDA(TG-ZDA)方法，该方法采用多分支深度神经网络来学习利用其域不变性与可共享性的特征表征。所提出的TG-ZDA模型可端到端训练，无需合成任务及由目标域估计表征生成的合成数据。所提出的TG-ZDA已在图像分类数据集上的基准ZDA任务上进行验证。实验结果表明，我们提出的TG-ZDA在不同域与任务上均优于最先进的ZDA方法。
引用
@article{arxiv.2109.05934,
title = {Task Guided Compositional Representation Learning for ZDA},
author = {Shuang Liu and Mete Ozay},
journal= {arXiv preprint arXiv:2109.05934},
year = {2021}
}