2019 CVPR 刘泓 Transferable Adversarial Training: A General Approach to Adapting Deep Classifiers

20年清华特奖得主刘泓的一篇cvpr,人家20岁就发CCF A了

原来的对抗学习方法通过“拉近”S、T 之间的距离来实现DA,但是作者指出这种做法会distort 原始的representation。所以本文提出额外生成 f s ∗ f_{s*} fs f t ∗ f_{t*} ft(可以理解成代替原来用于adversarial training的特征),然后固定原始feature ,仅调整classifier。
“by filling the gap between the source and target domains with transferable examples generated in a new adversarial training paradigm.”
通过jointly minimize error(4)(9)respect to D D D, minimize error(5)(8)respect to C C C

在这里插入图片描述
在这里插入图片描述
(8)其实是(5)的扩展,依旧是实现source的label预测,还加了一部分,target没有label,只能用距离刻画。
在这里插入图片描述
在这里插入图片描述
(4)也是原来的domain二分类判别,(9)是利用合成的数据来实现这一过程的。

Total Loss :
在这里插入图片描述

已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页