【李宏毅2020 ML/DL】P86-87 More about Domain Adaptation

本文深入探讨了领域适配的基础知识和常用方法,包括Discrepancy-based、Adversarial-based和Reconstruction-based方法。重点介绍了Deep Domain Confusion、DANN、PixelDA等,并探讨了它们在语义分割、图像到图像转换和行人重识别等领域的应用,如AdaptSegNet、CBST和SPGAN。
摘要由CSDN通过智能技术生成

我已经有两年 ML 经历,这系列课主要用来查缺补漏,会记录一些细节的、自己不知道的东西。

本节内容综述

  1. 本节课由助教 Chao Brian 讲解。
  2. 首先讲解些领域适配的基础内容,包括名词、定义等。
  3. 接下来,会讲一些 DA 的常用方法。
  4. 此外,复习了老师讲过的 DANN ,这里不多记录。
  5. 在 Reconstruction-based methods 种,详细介绍 Domain Separation Networks 。
  6. 下半节课,助教讲解了应用方面文章范例,包括语义分割等等内容。

小细节

Methods

Domain Adaptation Foundation


如上,领域适配算是迁移学习的一个子集。

Domain Adaptation

  • Task 针对 target domain ,但在 training 时 target domain 没有(或是很少) label
  • Source Domain 是 fully labelled

我们今天会聚焦于同质的 homogeneous 的 DA 。

Domain Adaptation Methods Overview


如上,我们需要在feature extractor上动手脚。

Discrepancy-based methods
Deep Domain Confusion (MMD)


如上,我们希望把 Source 与 Target 的分布拉近。

如上,希望两个 fc_adapt 层越近越好。

Deep Adaptation Networks


如上,这篇文章思想与 MMD 差不多,但是使用了更多层做 MMD 。

CORAL, CMD


如上,之前的方法使用的是 1st order moments 作为距离;而 CORAL 使用的是 2nd order moments 作为距离。

而 CMD 则是使用更高的 moments 作为距离。

Adversarial-based methods
Simultaneous Deep Transfer


如上,这篇文章主要做了两个重要性的工作:

  • Maximum Domain Confusion
  • Transfer Label Correlation
Maximum Domain Confusion

举个例子来详细讲解。

如上,希望通过大自然图片的训练,学会识别神奇宝贝。

如上,架构类似 GAN ,希望抽取出特征后,Discriminator 能够搞混 Domain 。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值