用于域适应的可迁移语义增强

域适应已通过将从标签丰富的源域学到的知识迁移至相关但无标签的目标域而被广泛探索。大多数现有域适应算法致力于在共享的源监督分类器指导下跨两域适配特征表示。然而，此类分类器限制了对无标签目标识别的泛化能力。为此，我们提出一种可迁移语义增强（TSA）方法，通过隐式生成朝向目标语义的源特征来增强分类器适应能力。具体而言，TSA 的灵感在于：深度特征朝某方向的变换可表示为原始输入空间中有意义的语义改变。因此，源特征可被增强以有效配备目标语义，从而训练更具可迁移性的分类器。为实现此点，对每类我们首先利用域间特征均值差与目标类内特征协方差构造多元正态分布，随后按类从该分布采样随机方向以增强源特征。有趣的是，此种源增强通过关于增强源分布上的期望可迁移交叉熵损失隐式实现，其中推导并最小化该期望损失的上界，带来可忽略的计算开销。作为一种轻量且通用的技术，TSA 可轻松插入多种域适应方法，带来显著改进。跨域基准上的综合实验验证了 TSA 的有效性。