摘要
带有两个不同分类器(双分类器)的对抗域适应引入UDA,在对齐不同域间分布时很有效。之前的双分类器对抗学习方法仅关注于两个不同分类器输出之间的相似度,但输出的相似性不能保证目标样本的准确率,即即使两个分类器间差异很小目标样本可能也会匹配到错误的类别。
本文提出CGDM来直接最小化源域样本和目标样本生成的梯度之间的差异。特别地,梯度指示了目标样本的语义信息因此可以作为一个好的监督来提升目标样本的准确率。为了计算目标样本的梯度信号,进一步通过基于聚簇的自监督学习来得到目标伪标签。
3 方法
首先UDA和双分类器对抗设定,然后引入跨域梯度差异最小化和自监督机制,最后整个CGDM的方法。
3.1 带有双分类器对抗学习的UDA
双分类器对抗学习方法:用一个特征生成器G来提取原始输入的判别深度特征,两个不同的任务特定分类器 F 1 , F 2 F_1,F_2 F1,F2