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: