【论文阅读】Learning Semantic Representations for Unsupervised Domain Adaptation

最新推荐文章于 2023-12-30 21:54:42 发布

原创

最新推荐文章于 2023-12-30 21:54:42 发布 · 4k 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#迁移学习

本文提出了一种名为moving semantic transfer network (mstn)的网络，旨在通过对齐源域和目标域相同类别的中心来学习样本的语义信息，从而解决无监督领域适应的问题。损失函数包括分类损失、域对抗损失和语义转移损失，其中语义转移损失是主要创新点，通过centroid alignment减少源域和目标域之间的差距。实验在Office-31、ImageCLEF-DA和手写数字集上展示了有效性的提升。

Learning Semantic Representations for Unsupervised Domain Adaptation 2018 ICML
代码地址：https://github.com/Mid-Push/Moving-Semantic-Transfer-Network Tensorflow

一. 主要贡献

这篇文章解决的主要问题是如何用有标签的数据去标记无标签的数据？之前的方法都忽略了样本的语义信息，比如之前的算法可能将目标域的背包映射到源域的小汽车附近。这篇文章最要的贡献就是提出了 moving semantic transfer network 这个网络，简称mstn，其主要是通过对齐源域（有标签）和目标域（伪标签，网络预测一个标签）相同类别的中心，以学习到“样本的语义信息。