【IEEE Transactions NNLS】DSAN: Deep Subdomain Adaptation Network for Image Classification译读笔记

笔记

摘要

对于标注数据难以获取的目标任务来说，域自适应能够将知识从一个不同的源域中将知识迁移过来。之前的深度域自适应方法主要学习全局域漂移，即在全局上对齐源分布和目标分布，而不考虑两个同类别不同域的子域之间的联系，导致没有捕获细粒度特征使得迁移效果不理想。近期，越来越来的研究者关注于子域自适应，即聚焦于更加准确地对齐相关联子域的分布。然而，其中大多数是对抗学习的方法，包含多个损失函数于是收敛缓慢。基于此，作者提出一种深度子域自适应网络（Deep Subdomain Adaptation Network, DSAN），学习一种对齐相关子域分布的网络，这里的子域分布来自不同域间域特定层的激活值，对齐方法采用LMMD（local maximum mean discrepancy）。所提出的DSAN非常简单但是效果良好，不需要使用对抗训练并且收敛快速。所提出的自适应方法可以在大多数前馈网络上通过使用LMMD损失容易地实现，从而通过反向传播高效地训练。实验证明DSAN在目标检测任务和数字分类任务上都取得了显著的结果。