文章目录
前言
- 文章来自2019年的CoRR
- 本文是本人领域自适应与最优传输系列论文的第65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
- 本文讨论了无监督域自适应,即在源域上有标记的训练数据,但目标是在只有未标记数据的目标域上有良好的性能。与之前的许多工作一样,我们试图在保持可辨别性的同时,将源域和目标域的学习表示对齐。我们实现对齐的方法是学习同时在两个域上执行辅助自监督任务。每个自我监督的任务都会使两个领域沿着与该任务相关的方向走得更近。将其与源域上的主任务分类器联合训练,可以成功地推广到未标记的目标域。提出的目标易于实现,易于优化。我们在七分之四的标准基准上取得了最先进的结果,在细分适应方面取得了有竞争力的结果。我们还证明了我们的方法与另一种流行的像素级自适应方法很好地结合。
1.介绍
- 视觉分布的变化对我们不断变化的世界至关重要。我们人类一直都在面对它们,例如&#