7、多领域适应与非线性跨视角样本富集在动作识别中的应用

多领域适应与非线性跨视角样本富集在动作识别中的应用

在机器学习和计算机视觉领域，领域适应和动作识别是两个重要的研究方向。领域适应旨在解决不同领域数据之间的差异，以提高模型在目标领域的性能；而动作识别则致力于从视频中准确识别出人类的动作。下面我们将详细探讨相关的方法和实验结果。

多源领域适应方法

我们针对多源领域适应问题，对最近类均值（NCM）分类器进行了扩展。通过为每个类别引入特定于领域的均值参数和领域特定的权重，提出了领域特定类均值（DSCM）分类器。这个分类器在无需额外学习的情况下，就已经适用于领域适应任务。并且，通过适当设计的度量学习，可以进一步提升其性能。

另外，我们还提出了一种通用的自适应度量学习技术。该技术通过迭代的方式对训练集进行筛选，具体操作如下：
1. 添加预测置信度高的未标记样本。
2. 移除预测置信度低的标记样本。

在两个公开基准数据集，即 ImageClef 领域适应挑战和 Office - CalTech 数据集上的实验表明，这种自适应度量学习方法能够显著提升领域适应框架中各种度量学习方法的性能。

为了更直观地展示不同方法在不同目标领域数据集上的性能，我们给出了以下表格：

目标领域	方法	A	C	D	W	C,D,W	FusAll
A