Learning Domain Adaptive Features with Unlabeled Domain Bridges笔记
这篇文章是为了解决源域和目标域差异过大的情况,引入了一个现有的中间域(桥),通过源域和桥的匹配(S->B)以及桥和目标域(B->T)的匹配来达到减小源域和目标域分布差异的目的。
structure:
该模型由三部分组成:
对抗性领域对齐(ADA)(关于循环一致性损失:https://blog.csdn.net/BEA_D/article/details/116012846)
原型匹配网络(https://blog.csdn.net/BEA_D/article/details/116014243)
解缠组件(https://blog.csdn.net/BEA_D/article/details/116014324)
第一阶段:特征提取器G将数据映射到特征空间,然后利用提取到的特征和域标签来进行对抗训练域判别器D
第二阶段:将源域和中间域以及中间域和目标域进行原型网络匹配。
原型网络的思想我觉得跟K均值聚类类似,对于每个类别的样本提取中心点作为该类别的原型,然后使源域和目标域每个类的原型尽可能的接近。
原型网络:https://arxiv.org/pdf/1904.11227v1.pdf(这篇文章还没看,应该也是一种对齐手段,值得一看!)
第三阶段:经过disentangler将特征分为类无关特征和域不变特征,通过训练disentangler生成类无关特征来愚弄分类器;然后再利用类无关特征和域不变特征来重构原始图像生成一个重构损失。