無監(jiān)督域適應(yīng)旨在解決源域與目標(biāo)域數(shù)據(jù)分布不同但任務(wù)相同情況下的知識遷移問題,其中源域數(shù)據(jù)是有標(biāo)簽的,而目標(biāo)域數(shù)據(jù)沒有標(biāo)簽。隨著生成對抗網(wǎng)絡(luò)的提出,越來越多的研究借鑒生成對抗的思想解決無監(jiān)督域適應(yīng)問題,形成了一系列對抗域適應(yīng)方法。這些方法大致可分為基于特征對齊的方法和基于樣本生成的方法,均取得了優(yōu)異的效果提升。然而,現(xiàn)有的研究工作也存在著一些不足之處:一方面現(xiàn)有的基于特征對齊的方法沒有考慮增強特征的判別性從而提高偽標(biāo)簽準(zhǔn)確度,同時現(xiàn)有的基于樣本生成的方法對域間樣本的域信息和類別信息是獨立建模的;另一方面現(xiàn)有的對抗域適應(yīng)方法關(guān)注于特征對齊或樣本生成中的某一部分,沒有考慮結(jié)合兩類方法的優(yōu)勢去解決域適應(yīng)問題。針對上述不足,本文一方面在特征對齊時引入判別器對抗的機制增強特征的判別性,以及利用聯(lián)合判別器對域間樣本的域信息和類別信息進(jìn)行聯(lián)合建模;另一方面嘗試結(jié)合特征對齊方法和樣本生成方法的優(yōu)勢對無監(jiān)督域適應(yīng)問題進(jìn)行研究。最后通過在基準(zhǔn)數(shù)據(jù)集上的實驗驗證了本文提出方法的有效性,并對模型效果進(jìn)行了多方面的分析。本文的工作主要包括以下幾個方面:1.基于判別器對抗的域適應(yīng)方法.針對現(xiàn)有的研究工作中特征對齊時...

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-1領(lǐng)域自適應(yīng)的例子Fig.1-1Examplesofdomainadaptation

青島科技大學(xué)研究生學(xué)位論文7(3)條件概率分布是否相同，即Qs(ys|xs)與Qt(yt|xt)是否相等。由上述形式化，引出領(lǐng)域自適應(yīng)：領(lǐng)域自適應(yīng)（DomainAdaptation）:對于一個有標(biāo)注的源域niiisyxD1},{與一個無標(biāo)注的目標(biāo)域mnnjjtxD1}{，默認(rèn)源域....

圖2-1不同數(shù)據(jù)分布的目標(biāo)域數(shù)據(jù)

青島科技大學(xué)研究生學(xué)位論文132領(lǐng)域自適應(yīng)基本方法2.1數(shù)據(jù)分布自適應(yīng)數(shù)據(jù)分布自適應(yīng)(DistributionAdaptation)是領(lǐng)域自適應(yīng)中最常用的領(lǐng)域自適應(yīng)方法。數(shù)據(jù)分布自適應(yīng)的基本思想是，由于源域和目標(biāo)域的數(shù)據(jù)概率分布不同，直接通過一些變換的方式，減小不同數(shù)據(jù)分布的距離....

圖2-2TCA和PCA的效果對比

青島科技大學(xué)研究生學(xué)位論文15T2111)/(121nnnnIH（2-8）式（2-7）中，min的目標(biāo)就是要最小化源域和目標(biāo)域的距離，加上W的約束使其不能太復(fù)雜。下面的條件項就是要實現(xiàn)第二個目標(biāo)：維持各自的數(shù)據(jù)特征。TCA要維持的特征在文章中說是方差（variance），但實際是....

圖2-3STL方法框架的基本思想Fig.2-3MainideaofSTLmethodframework

基于生成對抗網(wǎng)絡(luò)的無監(jiān)督域適應(yīng)研究16目前單獨利用條件分布自適應(yīng)的工作較少[48]，最近，中科院計算所的Wang等人提出了STL（StratifiedTransferLearning）方法[49]。提出了類內(nèi)遷移（Intra-classTransfer）的方法，指出當(dāng)前多數(shù)方法都....

本文編號：3909752