基于流形嵌入分布对齐的视觉域自适应
计算机视觉与模式识别
2018-07-31 v2 机器学习
摘要
视觉域自适应旨在利用源域知识为目标域学习鲁棒分类器。现有方法要么试图对齐跨域分布,要么进行流形子空间学习。然而,存在两个显著挑战:(1) 退化的特征变换,即分布对齐常在原始特征空间中执行,难以克服特征畸变;另一方面,子空间学习不足以减小分布发散。(2) 未评估的分布对齐,即现有分布对齐方法以同等重要性对齐边缘分布与条件分布,却未能评估这两类分布在实际应用中的不同重要性。本文中,我们提出流形嵌入分布对齐(MEDA)方法来应对这些挑战。MEDA 在 Grassmann 流形中通过结构风险最小化学习域不变分类器,同时执行动态分布对齐以定量考量边缘分布与条件分布的相对重要性。据我们所知,MEDA 是首次尝试为流形域自适应执行动态分布对齐。大量实验表明,与最先进的传统方法及深度方法相比,MEDA 在分类精度上表现出显著提升。
引用
@article{arxiv.1807.07258,
title = {Visual Domain Adaptation with Manifold Embedded Distribution Alignment},
author = {Jindong Wang and Wenjie Feng and Yiqiang Chen and Han Yu and Meiyu Huang and Philip S. Yu},
journal= {arXiv preprint arXiv:1807.07258},
year = {2018}
}
备注
ACM Multimedia conference 2018 (ACM MM) ORAL paper; top 10 papers; 9 pages; code available at http://transferlearning.xyz