【基础论文六】Domain separation networks

前言

受私有共享组件分析工作的启发，我们显式地学习了提取图像表示，这些图像表示被划分为两个子空间:一个组件是每个域的私有组件，另一个组件是跨域共享的。我们的模型不仅被训练在源域中执行我们关心的任务，而且使用分区表示来重构来自这两个域的图像。我们的新体系结构产生了一个模型，该模型在一系列非监督域适应场景上的性能优于最先进的模型，并且还生成了私有和共享表示的可视化，从而支持对域适应过程的解释。模型引入了每个域的私有子空间的概念，它捕获了域的特定属性，比如背景和低层图像统计。共享子空间通过使用自动编码器和显式丢失函数来实现，它捕获域共享的表示。通过找到一个与私有子空间正交的共享子空间，我们的模型能够分离每个域特有的信息，并在此过程中生成对当前任务更有意义的表示。

Domain Separation Networks (DSNs)

 网络结构包含：

• Private Target Encoder  : 目标域私有编码器，用来提取目标域的私有特征。
• Private Source Encoder : 源域私有编码器，用来提取源域的私有特征。
• Shared Encoder : 共享编码器，用来提取源域和目标域的公有特征。
• Shared Decoder  : 共享解码器，用来将私有特征和公有特征组成的样本进行解码,即对输入x进行重构。
• Classifier : 分类器，在训练时用来对源域样本进行分类，在训练完成时就可以直接用在目标域数据上进行分类。

（一）首先忽略右下角的分类器，剩下部分就是自编码器的结构。源域样本 首先进入和，之后两个编码器分别输出  和  。