域适应的最优传输

域适应的最优传输(中文13000字,英文PDF)
Nicolas Courty, Remi Flamary, Devis Tuia, IEEE高级会员，Alain Rakotomamonjy, IEEE会员
摘要领域自适应是现代数据分析中最具挑战性的任务之一。如果正确地进行了调整，那么在面对描述相同类但由另一个观察系统描述的数据时，基于特定数据表示的模型将变得更加健壮。在众多被提出的策略中，发现领域不变表示具有优异的性能，特别是因为它允许训练一个在所有领域都有效的唯一分类器。在本文中，我们提出了一个正则化的无监督最优传输模型来实现源域和目标域的表示对齐。我们学习了一个与两个pdf匹配的传输计划，该计划限制源域中相同类的标记样本在传输过程中保持关闭状态。通过这种方法，我们同时利用了源中的标记样本和两个域中观察到的分布。在玩具上的实验和具有挑战性的真实的视觉适应的例子表明，该方法的兴趣，始终优于现有的艺术方法。此外，数值实验表明，该方法在区域不变深度学习特征上具有较好的性能，可以很容易地适应目标区域标记样本较少的半监督情况。
索引项-无监督域适应，最优传输，转移学习，视觉适应，分类。