针对现有的基于对抗学习的领域适应算法未能充分挖掘样本的可转移特征导致泛化能力较差和分类精确度较低的问题,提出基于特征和类别对齐的领域适应(FCDA)算法.首先,针对最大均值差异(MMD)度量准则存在的不足进行改进,得到一种新的MID(ma...针对现有的基于对抗学习的领域适应算法未能充分挖掘样本的可转移特征导致泛化能力较差和分类精确度较低的问题,提出基于特征和类别对齐的领域适应(FCDA)算法.首先,针对最大均值差异(MMD)度量准则存在的不足进行改进,得到一种新的MID(maximizes the intra-domain density)度量函数,分别度量具有相同标签的源域样本特征间的分布散度和相同标签的目标域样本特征间的分布散度,实现最大化域内同类样本的类密度,从而降低类的错分率;其次,为了能更深层次地学习目标样本的抽象的、可转移的特征,从而减小域间差异,在特征提取网络后加入残差校正块,深化基础网络,提高其特征的可迁移性;最后,将获取的特征经过联合判别网络,通过对抗损失函数同时实现在类级和域级的对齐.所提出的算法在数据集Office-31上平均准确率为88.6%,在数据集Office-Home上平均准确率为67.7%,并与其他算法相比,验证了所提算法具备良好的泛化能力,可以实现较高的分类性能.展开更多
文摘针对现有的基于对抗学习的领域适应算法未能充分挖掘样本的可转移特征导致泛化能力较差和分类精确度较低的问题,提出基于特征和类别对齐的领域适应(FCDA)算法.首先,针对最大均值差异(MMD)度量准则存在的不足进行改进,得到一种新的MID(maximizes the intra-domain density)度量函数,分别度量具有相同标签的源域样本特征间的分布散度和相同标签的目标域样本特征间的分布散度,实现最大化域内同类样本的类密度,从而降低类的错分率;其次,为了能更深层次地学习目标样本的抽象的、可转移的特征,从而减小域间差异,在特征提取网络后加入残差校正块,深化基础网络,提高其特征的可迁移性;最后,将获取的特征经过联合判别网络,通过对抗损失函数同时实现在类级和域级的对齐.所提出的算法在数据集Office-31上平均准确率为88.6%,在数据集Office-Home上平均准确率为67.7%,并与其他算法相比,验证了所提算法具备良好的泛化能力,可以实现较高的分类性能.
