用于无监督域自适应的可迁移原型网络
计算机视觉与模式识别
2019-04-26 v1
摘要
在本文中，我们通过重塑原型网络（Prototypical Networks）引入了一种用于无监督域自适应的新思路，该网络学习一个嵌入空间并通过重塑到每个类原型的距离来进行分类。具体而言，我们提出可迁移原型网络（TPN）用于自适应，使得源域和目标域中每个类的原型在嵌入空间中接近，且原型分别在源数据和目标数据上预测的分数分布相似。从技术上讲，TPN最初将每个目标样本匹配到源域中最近的原型，并为该样本分配一个“伪”标签。然后可以分别在仅源、仅目标和源-目标数据上计算每个类的原型。TPN的优化通过端到端训练，联合最小化三类数据上原型之间的距离以及每对原型输出的分数分布的KL散度。我们在MNIST、USPS和SVHN数据集之间的迁移上进行了大量实验，与最先进的方法相比报告了优越的结果。更值得注意的是，我们在VisDA 2017数据集上获得了单模型80.4%的准确率。
引用
@article{arxiv.1904.11227,
title = {Transferrable Prototypical Networks for Unsupervised Domain Adaptation},
author = {Yingwei Pan and Ting Yao and Yehao Li and Yu Wang and Chong-Wah Ngo and Tao Mei},
journal= {arXiv preprint arXiv:1904.11227},
year = {2019}
}
备注
CVPR 2019 Oral