文章目录
MCD:Maximum classifier discrepancy for unsupervised domain adaptation(CVPR 2018)
- 已有的方法仅尝试去区分特征为源域/目标域
- 没有考虑task-specific决策边界
- 训练好的生成器G会产生近类别边界的模糊特征
1 Introduction
最大分类器差异的领域自适应
- 通过最大化分类器之间的差异来学习具有相似特征表示的源域和目标域之间的映射
- 引入两个独立的分类器F1、F2
- 两个分类器试图使目标样本上的预测结果尽可能不同
- 特征提取器的目标是生成的特征表示尽可能地减小这种差异
2 Related Work
3 Method
A阶段
训练出两个不同的分类器F1、F2 、特征提取器G ,训练分类器和生成器对源样本进行正确的分类。Loss即为求source domain上的分类误差。
B阶段
固定特征提取器G ,训练两个不同的分类器 F1和F2 ,使得它们的差异最大。如果没有这一步,两个分类器可能会变得非常相似,就不能很好的区别靠近边界的目标样本。损失函数为
L
1
L_1
L1(两个分类器概率输出之差的绝对值):
C阶段
固定两个分类器F1、F2,优化特征生成器 G ,使得生成的特征对两个分类器效果尽可能一致
4 Experiment
- 分类实验