文章目录
前言
- 文章来自2019年的CVPR
- 本文是本人领域自适应与最优传输系列论文的第63篇,所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms,希望各位大佬们不吝点赞,给个Star哦~
摘要
- 无监督域自适应(UDA)对目标域数据进行预测,而手动注释仅在源域中可用。以前的方法忽略了类信息,使得领域差异最小化,这可能导致不一致和泛化性能差。为了解决这一问题,本文提出了对比适应网络(CAN)优化的新指标,该指标明确地建模了类内域差异和类间域差异。我们以端到端的方式为培训CAN设计了交替更新策略。在两个真实基准Office-31和VisDA-2017上进行的实验表明,CAN能够与最先进的方法相比表现出色,并产生更具辨别力的特征。
1. Introduction
- 深度神经网络的最新进展成功地改善了各种学习问题[40,8,26,19