![bfd2215230999c63d6d22264356463d8.png](https://i-blog.csdnimg.cn/blog_migrate/eb4dc59f37edc6bfb65e2f1349fa346b.jpeg)
本系列简单梳理一下《Deep Visual Domain Adaptation: A Survey》这篇综述文章的内容,囊括了现在用深度网络做领域自适应DA(Domain Adaptation)的各个方面的一些文章。
原文链接:Deep Visual Domain Adaptation: A Survey
Adversarial-based Model
对抗网络:通过与判别器的对抗,生成器将源域和目标域数据在数据空间或者特征空间对齐。
判别器作用在数据空间:
- Coupled generative adversarial networks
CoGAN是一种学习源域和目标域数据联合分布的网络,其由两个GAN网络组成。通过强制性的给两个网络加上共享参数的约束,限制了网络的能力,从而两个网络从噪声生成的数据是差不多的。
文章认为生成网络的前几层是解码的高阶语义,所以通过共享权重对齐。判别网络后几层是解码的高阶语义,所以也共享权重对齐。这种权重的约束可以让网络在没有监督的情况下,学习源域和目标域图片的联合概率。所以该网络能用来生成成对的共享高阶语义,而低阶语义不同的图片,例如相同的物体,背景不同的图片。
![4c3b45aab964c2fd53244063dbf42353.png](https://i-blog.csdnimg.cn/blog_migrate/0107ac9398efe073744d3421048d8fbc.jpeg)
- Pixel-level domain transfer
作者设计一个转换网络Converter,将源域的图片
作者受GAN的启发,将损失函数也设计为一个判别网络
![aabeb062ebd72b49160a6c66038ab625.png](https://i-blog.csdnimg.cn/blog_migrate/de86c99e8b7ec08d3398d5a71288173d.jpeg)
- Learning from simula