面向类别与域对齐：用于对抗域适应的类别不变特征增强
计算机视觉与模式识别
2021-08-17 v1
摘要
对抗域适应通过对齐两域的特征分布，在将知识从源域迁移到目标域方面取得了令人瞩目的进展。这些方法侧重于最小化域差异，并将适应性（定义为理想联合假设在两域上的期望误差）视为一个小常数。然而，这些方法仍面临两个问题：（1）对抗域对齐扭曲了原始特征分布，使适应性退化；（2）将特征表示转换为域不变的需要牺牲域特定的变化，导致可判别性减弱。为缓解这些问题，我们提出类别不变特征增强（CIFE），一种通过优化适应性来增强对抗域适应的通用机制。具体而言，CIFE 方法引入类别不变特征，在保持可迁移性的同时提升域不变特征的可判别性。实验表明，CIFE 能够改进具代表性的对抗域适应方法，在五个基准上取得 state-of-the-art 结果。
引用
@article{arxiv.2108.06583,
title = {Towards Category and Domain Alignment: Category-Invariant Feature Enhancement for Adversarial Domain Adaptation},
author = {Yuan Wu and Diana Inkpen and Ahmed El-Roby},
journal= {arXiv preprint arXiv:2108.06583},
year = {2021}
}
备注
10 pages, 4 figures