基于对抗残差变换网络的无监督域适应
计算机视觉与模式识别
2019-09-19 v2
摘要
域适应广泛用于缺乏标签的学习问题。近期研究表明,深度对抗域适应模型能在性能上取得显著改进,其包含对称与非对称架构。然而,前者泛化能力较差,而后者极难训练。本文中,我们提出一种名为对抗残差变换网络(ARTNs)的新型对抗域适应方法以改善泛化能力,该方法直接将源特征变换到目标特征的空间中。在此模型中,使用残差连接来共享特征并重构对抗损失,从而使模型更具泛化性且更易训练。此外,在损失函数中加入特殊的正则项以缓解梯度消失问题,使其训练过程稳定。基于 Amazon 评论数据集、数字数据集与 Office-31 图像数据集的一系列实验表明,所提出的 ARTN 可与最先进(state-of-the-art)的方法相媲美。
引用
@article{arxiv.1804.09578,
title = {Unsupervised Domain Adaptation with Adversarial Residual Transform Networks},
author = {Guanyu Cai and Yuqin Wang and Mengchu Zhou and Lianghua He},
journal= {arXiv preprint arXiv:1804.09578},
year = {2019}
}
备注
accepted by IEEE Transactions on Neural Networks and Learning Systems