基于距离度量引导特征对齐的无监督跨域图像分类
机器学习
2020-08-20 v1 计算机视觉与模式识别
机器学习
摘要
由于域偏移问题，学习可泛化于不同域的深度神经网络仍具挑战。无监督域适应是一条有前景的途径，它在不使用目标域任何标签的情况下将知识从源域迁移到目标域。现有方法侧重于利用域对抗训练提取域不变特征。然而，这些技术忽视了在目标域的潜在表示空间中学习有判别力的类边界，导致适应性能有限。为解决该问题，我们提出距离度量引导特征对齐（MetFA），以在源域和目标域上提取既有判别力又具域不变性的特征。所提出的 MetFA 方法显式且直接地学习潜在表示，无需使用域对抗训练。我们的模型整合了类分布对齐，以将语义知识从源域迁移到目标域。我们在胎儿超声数据集上评估了所提方法，用于跨设备图像分类。实验结果表明，该方法优于当前最优（SOTA）方法并实现了模型泛化。
引用
@article{arxiv.2008.08433,
title = {Unsupervised Cross-domain Image Classification by Distance Metric Guided Feature Alignment},
author = {Qingjie Meng and Daniel Rueckert and Bernhard Kainz},
journal= {arXiv preprint arXiv:2008.08433},
year = {2020}
}