CVPR 2019之迁移学习：Contrastive Adaptation Network for Unsupervised Domain Adaptation

最新推荐文章于 2024-06-19 13:18:28 发布

用GAN得有GPU

最新推荐文章于 2024-06-19 13:18:28 发布

阅读量5.3k

点赞数 2

分类专栏：迁移学习文章标签：深度学习迁移学习

本文链接：https://blog.csdn.net/qq_41967539/article/details/102622432

版权

本文提出了Contrastive Adaptation Network (CAN)用于无监督域自适应，解决以往方法忽略类信息导致的不一致和泛化性能低下问题。CAN通过类内域差异最小化和类间域差异最大化实现类感知对齐，提高模型泛化能力。在深度CNN中，CAN网络在FC层上应用CDD目标，结合交叉熵损失进行交替优化，以实现端到端训练。实验证明，CAN在Office-31和VisDA-2017数据集上表现出优越性能。

摘要由CSDN通过智能技术生成

Contrastive Adaptation Network for Unsupervised Domain Adaptation

简述：
无监督域自适应(UDA)对目标域数据进行预处理，而手工注释只在源域可用。以往的方法在忽略类信息的情况下，会使域间的差异最小化，从而导致不一致和泛化性能低下。目前，虽然有ImageNet这种庞大的拥有精确标记的数据集，但是对于每个特定的目标域或任务，手工标签往往很难或很昂贵，域内标记数据的缺乏阻碍了数据拟合模型在实际问题中的应用。本文提出的CAN网络（Contrastive Adaptation Network）优化了一个显式地对类内域差异和类间域差异建模的新度量，设计了一种交替更新（alternating update）的培训策略，可以端到端（end-to-end）的方式进行。
下图中，左:自适应之前，源和目标数据之间存在域移动；中：以往的方法，与类无关的调整将源和目标数据在域级别上对齐，忽略了样本的类标签，因此可能导致次优解决方案。因此，一个标签的目标样本可能与另一个标签的源样本不一致。右：我们的方法是执行跨域的类感知对齐。为了避免失配，最小化类内部域的差异，最大化类间域差异，增强模型的泛化能力。
在这里插入图片描述
由于以下原因，这可能会影响适应性能。首先，不同类的样本可能排列不正确。其次，所学习的决策边界对目标域的泛化能力较差。为了解决上述问题，我们引入了一个新的对比域差异(CDD)目标来启