Deep Visual Domain Adaptation: A Survey 深度域适应：调研

论文地址: https://arxiv.org/abs/1802.03601

四个主要贡献。

首先，根据定义两个域如何分歧的数据属性，提出不同深度域适应场景的分类。

其次，基于训练损失将深度域适应方法概括为几个类别，并分析和比较这些类别下的最新方法。

第三，概述了超越图像分类的计算机视觉应用，例如人脸识别，语义分割和对象检测。

第四，强调了当前方法的一些潜在缺陷和未来的几个方向。

Domain adaption 分类

深度域适应

广义：使用了深度特征的浅层方法也属于深度方法

狭义：将DA嵌入深度特征表示的学习过程中

A:One-Step Domain Adaption

1

类标准：使用标签信息作为引领，在不同领域之间传输知识

统计标准: 使用一些数学方法进行数据分布的变化，通常使用MMD,CORAL，KL等

架构标准: 利用深度网络学习更多的可迁移的特征

几何标准: 利用几何特征把源域和目标域结合起来

2基于对抗网络的DA，让网络分不清你到底是从属于源域还是目标域，以减少两个域映射分布的距离

生成模型： GAN  使用源图片，噪音生成人造的目标域样例，同时保留源域注释信息

非生成模型： 特征提取器使用源域中的类信息提取一个特征，同时使用domain-confusion loss把目

标域映射到同一个特征空间

3基于重建的网络

GAN描述重建样例和图片之间的差异（重建误差）