ACAN

一种即插即用的自适应中心对齐网络，用于无监督域适应 DOI

Abstract

ACAN旨在改善迁移学习中的域适应问题

  • 它是可拔插的: 容易集成在其他的域对齐算法中

  • 使用新的损失: 角度间隔损失取代softmax+cross_entropy 使分类器C对特征的判别更强

让不同的类的特征在角度空间分得更远

  • 熵正则: 使用熵正则鼓励目标域的样本分布集中 减少分类边界的不确定样本

  • 中心对齐: 提升模型在目标域上的判别能力 ACAN通过伪标签 将目标样本对齐到对应的类别中心

to_example

框架

framework

首先 源域(Source Domain)和目标域(Target Domain)经过同一个CNN(Shared BackBone) F 得到特征 \(f_s\)和\(f_t\)

这时\(f_s\)和\(f_t\)被拿去经过一个域不变化模块(DIM) 然后输出\(L_D\) 也就是在第一行

然后\(f_S\)和\(f_t\)各自经过一个归一化

其中 \(f_s\)归一化后 过一个带边界的分类器C 然后得到\(L_C\)