Gradually Vanishing Bridge for Adversarial Domain Adaptation

文章领域：迁移学习
效果：

结构：

这篇文章对它所提出来的GVB的描述，还是挺模糊的，没有具体的网络结构表，所以想要详细理解，还要去它公开的代码里去看。（https://github.com/cuishuhao/GVB）

损失：（结合结构理解）
（1）分类损失

Lce采用的是交叉熵损失，G是生成器，样本右上角的S代表是Source domain，Ns代表Source样本的个数。
这里采用的分类损失，和判别器无关，是结构图里面的G2判别的结果，所以和常规的GAN不同，此处将（一个生成器加上一个分类器）当成了一个新的生成器，自带分类能力。

（2）生成损失

这篇文章的思想就是既然把源域直接迁移到目标域中，十分的困难，那我们就换个思路，扩大目标域和源域之间的重叠领域，那随着重叠领域的增大，那进行迁移的难度就越小，扩大重叠领域的方法是减小两个域圆心之间的距离γ，如上图所示。
当我们理解了作者的目的是找到一个中间域之后，就好理解了。生成损失是根据中间域的生成效果来进行计算的。



在上图所示的生成器损失中，真正的生成者是（G星），也就是根据γ来计算生成损失。另一方面，r = c - γ，这个地方得到的是C代表的域减去重合域之后的域空间，用r作为后续判别器的输入。（理解了好久才明白）

（3）对抗损失

采用的是CGAN里面的对抗损失，由源域和目标域产生，其中S代表Source domain，T代表Target domain，也比较好理解这个损失。
这个地方就用到了判别器，因为是两个域之间的判定，所以对抗损失由此计算。关键的是此处进行判别后，计算损失时，是由（目标域+中间域）+（源域+中间域）计算的，参考结构图中Adversarial Loss的构成。

（4）判别损失

判别器的损失只计算中间域的判别器的判别损失，而不加入GAN的判别起的判别损失。

（5）完整损失

实验：
公开了源码。
论文只介绍了在各个数据集上的测试效果，没有专门的介绍GVB的构成。