M-ADDA: Unsupervised Domain Adaptation with Deep Metric Learning

基于域适应度量的对抗性判别神经网络

1) 应用度量学习方式去训练源域模型，通过the triplet loss（）进行优化。这样的结果使具有相同标签的类别相互靠近，不同类别的标签相互远离。
2)利用对抗的方式像ADDA从源域和目标域中提取特征，同时，我们优化了一个新的损失函数，促进目标域数据集从聚类中嵌入。

神经网络，通过最小化每个目标域样本嵌入和它对应于源域嵌入的聚类中心。

                

采用预训练网络能极大提升分类效果，然而对于两个不同域来说预训练意义不大，为解决上述问题，通常的做法是用一个模型训练从源域提取特征，接着促进目标域的特征提取接近源域。 Auto-encoder based methods，提取特征。对抗神经网络，通过生成models转换样本特征代表，从一个域到另一个域。

                      

 triplet loss:

                                      

训练目标域模型：

优化损失函数

                        

 

源域算法

目标域算法

预测算法

数据集：2 domains: MNIST, and USPS.训练集：where 2000 images are sampled from MNIST and
1800 from USPS for training.