Gradually Vanishing Bridge for Adversarial Domain Adaptation

文章领域：迁移学习
效果：

结构：

这篇文章对它所提出来的GVB的描述，还是挺模糊的，没有具体的网络结构表，所以想要详细理解，还要去它公开的代码里去看。（https://github.com/cuishuhao/GVB）

损失：（结合结构理解）
（1）分类损失

Lce采用的是交叉熵损失，G是生成器，样本右上角的S代表是Source domain，Ns代表Source样本的个数。
这里采用的分类损失，和判别器无关，是结构图里面的G2判别的结果，所以和常规的GAN不同，此处将（一个生成器加上一个分类器）当成了一个新的生成器，自带分类能力。

（2）生成损失

这篇文章的思想就是既然把源域直接迁移到目标域中，十分的困难，那我们就换个思路，扩大目标域和源域之间的重叠领域，那随着重叠领域的增大，那进行迁移的难度就越小，扩大重叠领域的方法是减小两个域圆心之间的距离γ，如上图所示。
当我们理解了作者的目的是找到一个中间域之后，就好理解了。生成损失是根据中间域的生成效果来进行计算的。

在上图所示的生成器损失中，真正的生成者是（G星），也就是根据γ来计算生成损失。另一方面，r = c - γ，这个地方得到的是C代表的域减去重合域之后的域空间，用r作为后续判别器的输入。（理解了好久才明白）

（3）对抗损失

采用的是CGAN里面的对抗损失，由源域和目标域产生，其中S代表Source domain，T代表Target domain，也比较好理解这个损失。
这个地方就用到了判别器，因为是两个域之间的判定，所以对抗损失由此计算。关键的是此处进行判别后，计算损失时，是由（目标域+中间域）+（源域+中间域）计算的，参考结构图中Adversarial Loss的构成。

（4）判别损失

判别器的损失只计算中间域的判别器的判别损失，而不加入GAN的判别起的判别损失。

（5）完整损失

实验：
公开了源码。
论文只介绍了在各个数据集上的测试效果，没有专门的介绍GVB的构成。

Gradually Vanishing Bridge for Adversarial Domain Adaptation相关推荐

Gradually Vanishing Bridge for Adversarial Domain Adaptation（CVPR2020）笔记
Gradually Vanishing Bridge for Adversarial Domain Adaptation(CVPR2020)笔记举两个现有方法存在弊端的例子: Domain sepa ...
最优传输论文（六十四）：Gradually Vanishing Bridge for Adversarial Domain Adaptation论文原理
文章目录前言摘要 1. Introduction 2.相关工作 3. Method 3.1. Adversarial Domain Adaptation 3.2. Gradually Vanish ...
Partial Adversarial Domain Adaptation学习笔记
Partial Adversarial Domain Adaptation学习笔记文章目录 Partial Adversarial Domain Adaptation学习笔记 tip Abstrac ...
(PADA)Partial Adversarial Domain Adaptation笔记
(PADA)Partial Adversarial Domain Adaptation笔记提出了部分对抗性领域自适应算法(PADA),它通过降低离群源类别数据的权重来减轻负迁移,并通过匹配共享标签空 ...
Transferability vs. Discriminability: Batch Spectral Penalization for Adversarial Domain Adaptation
ICML2019: Transferability vs. Discriminability: Batch Spectral Penalization for Adversarial Domain A ...
【论文翻译】DANN的改进ADDA Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks
[论文翻译]DANN的改进ADDA: Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks 1.研究背 ...
语义分割-CyCADA: Cycle-Consistent Adversarial Domain Adaptation.循环一致对抗领域自适应
CyCADA: Cycle-Consistent Adversarial Domain Adaptation. 0.摘要 1.概述 2.相关工作 3.循环一致性对抗领域自适应 4.实验 4.1.数字数 ...
Backprop Induced Feature Weighting for Adversarial Domain Adaptation with Iterative Label Distributi
反向传播算法诱导的特征加权用于迭代标签分布对齐的对抗域适应研究问题: 主流的基于对抗的方法在适应过程中通常会忽略分类器,而且对分类没有影响的背景特征也得到了适应. 存在标签分布偏移( LDS ),源 ...
【弱监督学习】Weakly Supervised Adversarial Domain Adaptation for Semantic Segmentation in Urban Scenes
0. 前言本文是2019年发表在IEEE Transactions On Image Processing期刊上的一篇关于弱监督的城市场景语义分割的文章,文章中采用两个域分类器进行对抗训练,从而提高 ...

Gradually Vanishing Bridge for Adversarial Domain Adaptation

Gradually Vanishing Bridge for Adversarial Domain Adaptation相关推荐

最新文章

热门文章