这个论文有价值的地方在于使用了伪标签,提出了semantic transfer loss,这个论文中的方法其实我也有考虑到过,我是受了DAAN的启发,但DAAN应该是受了该文的启发,因为DAAN是2019年发表的。DAAN中的局部域分类器也是将样本的每个类单独分开计算损失,但是DAAN计算的是域分类损失,而MSTN考虑的是MSE,因为相同类别经过特征提取之后的特征应当是相近的,这对应域适应中的条件概率损失。
对每个类维护一个全局特征
C
T
k
或
者
C
S
k
C^k_{T}或者C^k_{S}
CTk或者CSk,每次使用
C
T
k
或
者
C
S
k
C^k_{T}或者C^k_{S}
CTk或者CSk来计算损失,
C
T
k
或
者
C
S
k
C^k_{T}或者C^k_{S}
CTk或者CSk的计算同时考虑当前的
C
T
k
或
者
C
S
k
C^k_{T}或者C^k_{S}
CTk或者CSk和本次根据样本生成的平均特征。所以就算本次抽取样本中没有某一类的样本,也可以根据该类上一次的
C
T
k
或
者
C
S
k
C^k_{T}或者C^k_{S}
CTk或者CSk来计算,同时假如有错误的伪标签也因为占比不大所以影响不大。