多层面的分步领域适应图像分类算法

摘要 解决领域偏移(domain shift)或数据集偏置(dataset bias)问题通常侧重于去发现源领域和目标领域之间的域不变表征.尽管这种做法到目前为止已经取得了有效的进展,但是其受限于特征层面的学习,使之无法充分利用已有的信息,极大约束了领域适应任务.为了有所改进,本文着眼于更加困难的无监督领域适应图像分类研究,提出了多层面的分步领域适应方法.该方法将不同层面取得的成果进行划分,并将算法流程细分为多步,对数据进行分步处理,保证了最大化数据利用率和具备高度的可扩展性.此外,在标签层面,本文巧妙地将目标领域中的样本分为易适应和难适应两类,并结合领域对抗损失(domain-adversarial loss)进行再次处理.模型的实现基于一个已有的代表性算法,在标准领域适应任务上的实验达到了预期效果