基于鉴别模型和对抗损失的无监督域自适应方法

摘要：

对于许多任务而言,收集注释良好的图像数据集来训练深度学习算法成本过高且耗时,而仅在渲染图像训练的模型通常无法推广到真实图像.针对上述问题,无监督域自适应算法试图在2个域之间映射一些表示或提取域不变的特征,将2个域映射到共同的特征空间.本文结合源域的有标签数据和目标域的无标签数据,提出了基于生成对抗网络(GAN)架构的无监督域自适应方法.方法使用鉴别模型,无需权重共享、对抗损失和辅助分类任务,以无监督的方式学习从一个域到另一个域的变换.对抗鉴别的无监督域自适应方法能有效减少训练域和测试域分布之间的差异,减轻域移位的有害影响,并显著地提高识别率.实验结果证明对抗鉴别方法比其他域自适应方法更有效且更简单,扩充样本的同时提高了网络的泛化性能.

关键词：深度学习、无监督、域自适应、生成对抗网络(GAN)、辅助分类任务

所属期刊栏目：30

资助基金：国家自然科学基金;山东省重点研发计划;国家留学基金委项目

在线出版日期：2020-08-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：698-706