【论文笔记四2019 CVPR】Domain-Symmetric Networks for Adversarial Domain Adaptation (SymNets) 用于对抗域自适应的域对称网络

摘要

深度网络通过对抗训练学习域不变性特征,但域自适应技术在源域和目标域实现类别层级的对齐仍然是有限的。本文提出了SymNets模型在对齐源域和目标域的边缘分布的同时也增强了对两个域中条件分布的对齐,从而实现类别层级的对齐。在领域自适应中源域和目标域上的任务是一致的,为此SymNets设计了一个对称的任务分类器结构,也就是说传统的分类器是有K个神经元对应K个类别,而SymNets为源域和目标域分别设计K个神经元。此外,利用这个对称结构可以构建一个和这两个分类器共享权重的额外分类器(域辨别器)。本文设计了6个loss函数进行模型的训练(这容易导致模型训练难收敛的问题)。在模型的域混淆训练中设计了两个层级的混淆,其中类别级的混淆损失助于特征提取器学习两个领域相对应类别的域不变性特征;域级的混淆损失助于特征提取器学习两个领域整体的域不变性特征由于目标域无标签,对于目标域的分类器的有监督训练部分,本文提出用源域的有标签数据帮助学习出。

SymNet的架构和目标函数

提出的SymNet的架构,它包括一个特征提取器G和三个分类器C^{s}C^{t}C^{st}。分类器C^{st}C^{s}C^{t}共享其层神经元。红色和蓝色分别表示目标数据和源数据,以及它们产生的损耗。黄色和绿色分别表示特征提取器和分类器,以及应用于它们的损失。中间的虚线矩形展示了SymNet的特征的玩具示例,这些特征在两个域的相应类别上是不变的。    

在SymNets网络中,分类器C有两个并行的任务分类器C^{s}C^{t},它们都拥有K个神经元对应类别数,此外,本文还设计了一个与C^{s}C^{t}共享神经元的分类器C^{st},它拥有2K个神经元。(PS:其实就是一个拥有2K个神经元的分类器模型同时干了三件事情)。注意这里,在本文设计的网络中没有一个明确的域辨别器,域辨别和域混淆是通过对分类器Cst设计损失函数实现的,下面我们先讲解一下怎么训练C^{s}C^{t}分类器。    

源任务分类器和目标任务分类器的对称设计

1)首先,对于C^{s},就是利用源域数据做有监督分类的交叉熵损失:

2)由于目标样本是未标记的,因此不存在用于学习任务分类器C^{t}的直接监督信号。所以本文借助有标签的源域数据对目标域上的分类器计算交叉熵损失:

利用源域有标签样例训练目标域分类器。形式上看上去和式子(5)没有区别。但是通过C^{st}
 实现与源域分类器的区分。同时,建立了源域目标域分类器之间神经元的对应关系是后续类别级对齐的基础。

3)通过设计一个与源域目标域分类器共享神经元的C^{st}来区分样例的不同域。对于C^{st}可以当作域辨别器,为此本文设计域辨别损失进行训练达到域辨别的效果,通过一个双向交叉熵损失来表示:

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
CVPR 2019中发表了一篇题为“迁移学习:无监督领自适应的对比适应网络(Contrastive Adaptation Network for Unsupervised Domain Adaptation)”的论文。这篇论文主要介绍了一种用于无监督领自适应的对比适应网络。 迁移学习是指将从一个源领学到的知识应用到一个目标领的任务中。在无监督领自适应中,源领和目标领的标签信息是不可用的,因此算法需要通过从源领到目标领的无监督样本对齐来实现知识迁移。 该论文提出的对比适应网络(Contrastive Adaptation Network,CAN)的目标是通过优化源领上的特征表示,使其能够适应目标领的特征分布。CAN的关键思想是通过对比损失来对源领和目标领的特征进行匹配。 具体地说,CAN首先通过一个共享的特征提取器来提取源领和目标领的特征表示。然后,通过对比损失函数来测量源领和目标领的特征之间的差异。对比损失函数的目标是使源领和目标领的特征在特定的度量空间中更加接近。最后,CAN通过最小化对比损失来优化特征提取器,以使源领的特征能够适应目标领。 该论文还对CAN进行了实验验证。实验结果表明,与其他无监督领自适应方法相比,CAN在多个图像分类任务上取得了更好的性能,证明了其有效性和优越性。 综上所述,这篇CVPR 2019论文介绍了一种用于无监督领自适应的对比适应网络,通过对源领和目标领的特征进行对比学习,使得源领的特征能够适应目标领。该方法在实验中展现了较好的性能,有望在无监督领自适应任务中发挥重要作用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值