本文针对域适应问题，指出仅关注边缘分布的不足，提出类别级对抗损失，强调类别特征对齐的重要性。通过自适应加权，优化网络结构，提升源域和目标域间的语义一致性，减少负迁移。实验结果表明，该方法在两个无监督域适应任务上表现优越。
论文题目：Taking A Closer Look at Domain Shift Category-level Adversaries for Semantics Consistent Domain Adaptation
目前方法的缺陷：只顾及了源域和目标域之间的边缘分布，没有顾及源域和目标域之间的联合概率分布，不仅对齐不好，而且会把已经对齐的特征进行负迁移。为了解决全局对抗学习的局限性，提出了类别级的对抗网络。
本文贡献如下：
（1）通过提出对不同特征的对抗损失进行自适应加权，强调了类别级特征对齐对减少域移位的重要性。
（2）论文结果与最先进的UDA（unsupervised domain adaptation）方法在两个转移学习任务上是一致的
方法
1 问题提出
传统的以对抗为基础的网络（TAD）中的G主要有两方面的任务：
（1）从有注释的源域中提取知识以便最小化语义分割损失：
（2）通过欺骗鉴别器来学习一个域不变特征，这个性质通过最小化以下损失来实现：
最低0.47元/天 解锁文章
1599
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
