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 ...
最新文章
- 让你每天精神都好好的方法ZT
- IIS 500错误报service unavailable解决方案之一
- 【转】Linux面试题集锦
- 引流虚拟主机和服务器,建站使用云服务器和虚拟主机 哪个更好?
- 算法导论22章 基本图算法习题
- ES6学习笔记(二十二)ArrayBuffer
- 图片压缩但质量不减,这个工具很不错
- 国家集训队2011 happiness
- 为什么 MapReduce 再次流行起来了?
- linux+多路复用socket,socket的select_多路复用
- 效率 用div做表格和tr_头一次见用电钻做电线接线,效率高出十倍,用几十年都不漏电...
- 爬了7000+条内衣信息,只为探究妹纸们的偏好!
- 利用Scrapy爬取拉勾网某职位信息
- python的皮卡丘如何写代码,用python画皮卡丘的代码
- C#-调用OCR组件识别图片文字
- 解决You are using pip version 8.1.2, however version 22.2.2 is available.
- 智能化推送服务MobPush产品简介
- ArcGIS10.2下载安装 License Manager、ArcGIS Desktop、ArcGIS Server软件下载及破解
- 软件工程作业之CSDN测评
- 支付宝手机网站支付开发记录之结果异步通知