CYCADA:循环一致性对抗域适应方法

CyCADA方法：通过在多个损失函数上训练模型。总体思路为：特征级+像素级上的对齐+在对齐过程中保留数据中的语义信息（即将数据的类别信息考虑进来）

原理

我们看到训练的模型如上，总的来说，该论文需要在5个损失函数（如下）上训练模型，最终达到迁移学习的目的。

• 分类判别损失Ltask(ft,Gs_t(Xs),Ys)
• 原样本映射的目标样本的对抗损失(像素数级适应)Lgan
• 特征级适应损失Lgan
• 重构的原样本的循环损失Lcyc(Gs_t,Gt_s,Xt,Xs)
• 源图像和转化为目标图像后的语意一致性损失Lsem(Gs_t,Gt_s,Xt,Xs,fs)

而核心问题和其他论文一样，主要是同时学习分类器 f 、生成器 G、以及领域判别器D。
1、首先我们使用生成器Gs_t通过源域样本生成出与目标样本类似的结果，产生目标样本用于愚弄对抗判别器Dt。进行对抗域适应，损失函数如下：

2、而学习一个