基于格拉斯曼流形上核回归的零样本域适应
机器学习
2015-07-30 v2 计算机视觉与模式识别
摘要
大多数视觉识别方法隐式假设从训练到测试数据分布保持不变。然而，实践中常存在域偏移，其中现实因素如光照和传感器类型在训练和测试间变化，分类器不能从源域泛化到目标域。为所有可能情况训练单独模型是不现实的，因为收集和标注数据昂贵。域适应算法旨在改善域偏移，使在源域训练的模型在不同目标域表现良好。然而，即使对于无监督域适应设置（目标域无标签），为所有可能目标域收集数据仍然昂贵。本文中，我们提出一种新的域适应方法，当目标域可由参数化向量描述且在同一参数空间内存在若干相关源域时，无需访问目标域的数据或标签。它大大减轻了数据收集和标注负担，我们的实验显示了一些有前景的结果。
引用
@article{arxiv.1507.07830,
title = {Zero-Shot Domain Adaptation via Kernel Regression on the Grassmannian},
author = {Yongxin Yang and Timothy Hospedales},
journal= {arXiv preprint arXiv:1507.07830},
year = {2015}
}
备注
Accepted to BMVC 2015 Workshop on Differential Geometry in Computer Vision (DIFF-CV)