基于matlab的fisher线性判别及感知器判别_Deep Domain Adaptation论文集(一)：基于label迁移知识...

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

---

Class Criterion

类别准则：使用标签信息作为指导在不同领域之间迁移知识

• Distilling the knowledge in a neural network

Hinton 2015年的工作，distilling knowledge是一个实用的trick，使用软标签soft label替代硬标签hard label将不同类别之间的关系保存。这种关系可以从源域迁移到目标域。

图片来自如何理解soft target这一做法？ - YJango的回答 - 知乎https://www.zhihu.com/question/50519680/answer/136406661

• Simultaneous deep transfer across domains and tasks.

源域有label，目标域有少量label。在普通的domain adaptation分类器与域判别器的基础上，再加一个soft label判别器，迁移源域中类别的关系信息。通过源域训练的分类器，对源域数据进行分类，得到不同类别之间的关系（比如一共三个类别，瓶子、水杯、键盘，那么如果水杯的概率是0.6，瓶子可能是0.3，键盘是0.1，由此看出水杯和瓶子联系更紧密）。所以对于目标域中的标签是水杯的数据，我们希望训练出来的 {水杯，瓶子，键盘} = {0.6, 0.3, 0.1} 而不是one-hot的 {1, 0, 0} ，这样视为将label之间的关系也进行了迁移，可以通过这些少数的目标域label对网络进行fine-tune。

• Fine-grained Recognition in the Wild: A Multi-Task Domain Adaptation Approach

源域有label，目标域有少量label。在上篇文章的基础上，将soft label判别器加入细粒度识别任务。细粒度识别就是比较精细的图像识别，比如识别的是不同品种的狗，不同牌子的汽车等。

• Deep Transfer Metric Learning

源域有label，目标域无label。结合线性判别分析（LDA）和最大均值差异（MMD），将源域和目标域距离尽量近（MMD约束）的情况下，类内距离最小，类间距离最大（LDA约束）。

• Unified Deep Supervised Domain Adaptation and Generalization

源域有label，目标域有少量label。。这篇文章在域判别的时候构造了语义对齐损失（即类内差距）和分离损失（即类间差距），用上了目标域label的信息。一般的DA方法，无法保证在特征空间里，不同domain里相同label的数据特征是一样的。即源域第一类数据特征可能经过映射后和目标域第二类一样。作者还利用了一些技巧，使得即使只有一个目标与域样本的情况下，也能对模型起到改善作用。

• Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer

源域有label，目标域无label也无数据。使用高层次的语义属性，识别没有见过的label。但是需要人工定义属性层，属于这方面开创性的工作。

• Mind the Class Weight Bias: Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation

提出了weighted MMD模型。源域有label，目标域无label，设计伪标签。考虑源域label的先验分布与目标域的不一样，设置pseudo-label，提出weighted MMD模型。利用CEM（classification EM algorithm）算法进行优化求解。主要的贡献有两个点：

第一，提出weighted MMD模型，将MMD度量改为如下形式：

其中，

是目标域和源域标签的先验信息，如果先验是一样的，则

，weighted MMD退化为MMD。

第二， 利用CEM算法进行求解，其实是本质是解一个非凸问题，所以要用类似EM算法的机制。首先E步，通过源域训练CNN求出目标域的后验概率

。然后C步，根据后验概率，给目标域打上pseudo-label，然后求出参数

。最后M步，根据参数

和源域目标域的数据以及pseudo-label和目标函数，更新网络参数。

• Asymmetric tri-training for unsupervised domain adaptation

源域有label，目标域无label，设计伪标签。设计三个网络，

用来分类源域和目标域的数据，目标域数据满足一定条件（阈值）才会有pseudo-label伪标签。第三个网络

用来调整特征提取网络

，使得打上的伪标签更可靠，并影响其他未被

打上伪标签的目标域数据的标签判别，希望更多的数据满足阈值被打上伪标签。

• Deep transfer network: Unsupervised domain adaptation

这篇文章提出了DTN方法。源域有label，目标域无label，设计伪标签。不同之处在于，假设条件分布

是不一样的。做法是先用一些基础的分类器，在源域上训练好，再给目标域打上pseudo-label伪标签。利用源域和目标域的数据和标签和伪标签，在MMD的准则下，对齐边缘分布

和条件分布

。

其中边缘分布MMD为：

条件分布MMD为：

但是要想计算

，则需要知道目标域的label，但是目标域是没有label的，所以刚开始需要一个基础的分类器如SVM、MLPs等给目标域打上pseudo label。然后基于pseudo label对齐条件分布MMD，然后再更新pseudo label，如此往复，直到达到迭代停止条件。

• Unsupervised Domain Adaptation with Residual Transfer Networks

源域有label，目标域无label，设计伪标签。作者假设源域和目标域的条件分布也有差异，也就是特征空间里面同样的一个点

，可能对应不同的label，和上面的DTN是一样的假设，但是做法不一样。该文章认为条件分布不一样是由一个扰动函数

导致的，但是可以通过两层残差项（residual block）联系起来。

如有错误，欢迎交流指正。^_^

转载请注明出处！！^_^

知乎：种豆南山下

个人学术主页：

About me​www.caokai.site

Domain Adaptation系列文章：

种豆南山下: 迁移学习: 领域自适应(Domain Adaptation)的理论分析

种豆南山下: Domain Adaptation：不用深度网络，如何处理源域和目标域异构问题？

种豆南山下: Deep Domain Adaptation论文集(一)：基于label迁移知识

种豆南山下: Deep Domain Adaptation论文集(二)：基于统计差异

种豆南山下: Deep Domain Adaptation论文集(三)：基于深度网络结构差异&几何差异

种豆南山下: Deep Domain Adaptation论文集(四)：基于生成对抗网络GAN

种豆南山下: Deep Domain Adaptation论文集(五)：基于数据重构的迁移方法

种豆南山下: Deep Domain Adaptation论文集(六)：源域与目标域特征空间不一致的处理方法