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)