文献类型：期刊文章

作　　者：许浩[1] 李宗印[2] 郭卫斌[1]

XU Hao;LI Zong-yin;GUO Wei-bin(School of Information Science and Engineering,East China University of Science and Technology,Shanghai 200237,China;Institute of Science and Technology Development,East China University of Science and Technology,Shanghai 200237,China)

机构地区：[1]华东理工大学信息科学与工程学院,上海200237 [2]华东理工大学科学技术发展研究院,上海200237

出　　处：《小型微型计算机系统》

基　　金：国家自然科学基金项目(61672227)资助

年　　份：2019

卷　　号：40

期　　号：9

起止页码：1921-1925

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：解决领域偏移(domain shift)或数据集偏置(dataset bias)问题通常侧重于去发现源领域和目标领域之间的域不变表征.尽管这种做法到目前为止已经取得了有效的进展,但是其受限于特征层面的学习,使之无法充分利用已有的信息,极大约束了领域适应任务.为了有所改进,本文着眼于更加困难的无监督领域适应图像分类研究,提出了多层面的分步领域适应方法.该方法将不同层面取得的成果进行划分,并将算法流程细分为多步,对数据进行分步处理,保证了最大化数据利用率和具备高度的可扩展性.此外,在标签层面,本文巧妙地将目标领域中的样本分为易适应和难适应两类,并结合领域对抗损失(domain-adversarial loss)进行再次处理.模型的实现基于一个已有的代表性算法,在标准领域适应任务上的实验达到了预期效果.

关 键 词：领域适应  迁移学习  图像分类 对抗网络  

分 类 号：TP391]