一碑定、核心貢獻(xiàn)
To fully exploit the supervision in the source domain, we propose a fine-grained adversarial learning strategy for class-level feature alignment while preserving the internal structure of semantics across domains. We adopt a fine-grained domain discriminator that not only plays as a domain distinguished, but also differentiates domains at class level.
為了充分利用源域的監(jiān)督作用且叁，我們提出了一種細(xì)粒度的類級(jí)特征對(duì)齊對(duì)抗學(xué)習(xí)策略压语，同時(shí)保留了跨域語義的內(nèi)部結(jié)構(gòu)。我們采用了一個(gè)細(xì)粒度的域鑒別器二汛，它不僅作為一個(gè)被區(qū)分的域蔼紧，而且在類級(jí)別上區(qū)分域。
二宰啦、motivation
主流方法都是用feature network去fool判別去苏遥，從而生成domain-invariant features。但是并沒有專注于每個(gè)領(lǐng)域下的類別的分布赡模，然而田炭，正如最近的著作[3,17]所討論的，匹配邊緣特征分布并不能保證在目標(biāo)域上有小的期望誤差漓柑。類的條件分布也應(yīng)該是對(duì)齊的诫肠，這意味著類級(jí)別的對(duì)齊也扮演著重要的角色司澎。 這個(gè)問題，有兩個(gè)人[7, 20]已經(jīng)嘗試去解決栋豫。
Chen等[7]提出使用幾個(gè)獨(dú)立的鑒別器來執(zhí)行類對(duì)齊挤安，但是獨(dú)立的鑒別器可能無法捕獲類之間的關(guān)系。Luo等人[20]引入了一種自適應(yīng)對(duì)抗損失丧鸯，對(duì)每個(gè)區(qū)域應(yīng)用不同的權(quán)重蛤铜。然而，實(shí)際上丛肢，它們沒有顯式地將類信息合并到它們的方法中围肥，這可能不能促進(jìn)類級(jí)別的對(duì)齊。
三蜂怎、方法
傳統(tǒng)的adversarial domain adaption穆刻， 是用對(duì)抗學(xué)習(xí)，讓source domain跟target domain之間的邊界模糊化杠步，讓生成的特征domain-invariant（領(lǐng)域無關(guān)）氢伟，來強(qiáng)化source domian數(shù)據(jù)訓(xùn)練的模型，在target domain上的效果幽歼。但是正如上面所談到朵锣，這個(gè)方法在模糊邊界的同時(shí)，會(huì)弱化source domain中不同類別的分布問題甸私。
要達(dá)成上述目標(biāo)诚些，我們需要讓模型能夠?qū)W習(xí)到domain-invariant 的識(shí)別任務(wù)。論文推了幾個(gè)公式皇型，大概就是把domain labels 拓展成了domain-class label诬烹。 就是把不同domain 的分類結(jié)果都當(dāng)成一個(gè)類別，loss 是下圖的這個(gè)部分弃鸦。
為了配合這個(gè)loss, 我們需要詳細(xì)分析了幾種生成domain encoding的做法椅您。很明顯第三個(gè)會(huì)好，這個(gè)問題在很多其他問題上都有談到過寡键。其實(shí)就是可導(dǎo)不可導(dǎo)的問題掀泳。
