3、d-SNE：使用随机邻居嵌入进行领域自适应

d-SNE：使用随机邻居嵌入进行领域自适应

1. 引言

随着大数据时代的到来，深度学习技术在计算机视觉领域取得了显著进展。特别是大规模数据集如ImageNet的出现，使得预训练模型在较小的数据集上微调时也能取得优异效果。然而，当面对标记数据极其有限的新领域时，如何将预训练模型迁移到新领域成为一个挑战。领域自适应技术通过类别关系将知识从一个领域转移到另一个领域，成为解决这一问题的关键。

在众多领域自适应技术中，d-SNE（Domain Adaptive Stochastic Neighbor Embedding）脱颖而出。d-SNE通过随机邻居嵌入（SNE）创建一个潜在空间，利用修改后的Hausdorff距离度量对源域和目标域的类别进行对齐。这种方法不仅在多个基准数据集上表现出色，还在领域泛化方面展现了强大的能力。

2. 提出的方法

2.1 方法概述

d-SNE的核心思想是通过随机邻居嵌入（SNE）将源域和目标域的样本投影到一个共同的潜在空间中，然后基于修改后的Hausdorff距离度量对齐这两个领域的类别。具体来说，源样本和目标样本之间的距离定义为：

[ d(x_s^i, x_t^j) = |\Phi_D^s(x_s^i) - \Phi_D^t(x_t^j)|^2 ]

其中，$\Phi_D^s(\cdot)$ 和 $\Phi_D^t(\cdot)$ 分别是用于将源域和目标域样本转换到共同潜在空间的神经网络，由参数 $w_s$ 和 $w_t$ 参数化。

2.2 随机邻居嵌入

受SNE启发，我们定义目标样本 $x_t^j$ 选择源样本 $x_s^i$ 作