当无监督域适应遇见张量表示
计算机视觉与模式识别
2017-07-20 v1
摘要
域适应（DA）使得在一个分布采样数据上训练的机器学习方法能够应用于另一分布采样的数据。因此，它对这类方法的应用具有重大实际意义。尽管张量表示在计算机视觉中广泛用于表示影响数据的多线性关系，现有大多数DA方法仅适用于向量。这使得它们无法反映和保留许多问题中的重要结构。因此我们在此提出一种基于学习的方法，直接适应源域和目标域的张量表示，而无需向量化。具体而言，引入一组对齐矩阵，将来自两个域的张量表示对齐到不变张量子空间。这些对齐矩阵与张量子空间被建模为一个联合优化问题，并可使用所提交替最小化方案从数据中自适应学习。大量实验表明，我们的方法能够保留源域的判别力、抵抗标签噪声的影响，并在小样本量甚至one-shot DA下有效工作。我们展示了该方法在跨域视觉识别任务上的效能与效率均优于state-of-the-art，尤其当应用于深度卷积网络的卷积激活的DA时，优于所有对比方法。
引用
@article{arxiv.1707.05956,
title = {When Unsupervised Domain Adaptation Meets Tensor Representations},
author = {Hao Lu and Lei Zhang and Zhiguo Cao and Wei Wei and Ke Xian and Chunhua Shen and Anton van den Hengel},
journal= {arXiv preprint arXiv:1707.05956},
year = {2017}
}
备注
16 pages. Accepted to Proc. Int. Conf. Computer Vision (ICCV 2017)