零样本深度域适应
计算机视觉与模式识别
2018-07-25 v5
摘要
域适应是将源域中学习的关于某项任务（如分类）的知识迁移到第二域即目标域的重要工具。当前方法假设在训练期间可获得任务相关的目标域数据。我们展示了在无此类任务相关目标域数据可用时如何执行域适应。为解决此问题，我们提出零样本深度域适应(ZDDA)，其利用来自任务无关双域对的特权信息。ZDDA学习一种源域表示，不仅针对感兴趣的任务定制，而且接近目标域表示。因此，与源域表示联合训练的源域感兴趣任务解（如分类任务的分类器）可同时适用于源和目标表示。使用MNIST、Fashion-MNIST、NIST、EMNIST和SUN RGB-D数据集，我们表明ZDDA能在无任务相关目标域训练数据访问的情况下执行分类任务中的域适应。我们还将ZDDA扩展到在SUN RGB-D场景分类任务中通过利用任务相关源域数据模拟任务相关目标域表示来执行传感器融合。据我们所知，ZDDA是首个不需要任务相关目标域数据的域适应与传感器融合方法。其底层原理并非计算机视觉数据所特有，而应可扩展到其他领域。
引用
@article{arxiv.1707.01922,
title = {Zero-Shot Deep Domain Adaptation},
author = {Kuan-Chuan Peng and Ziyan Wu and Jan Ernst},
journal= {arXiv preprint arXiv:1707.01922},
year = {2018}
}
备注
This paper is accepted to the European Conference on Computer Vision (ECCV), 2018