《计算机应用研究》|Application Research of Computers

基于类内最大均值差异的无监督领域自适应算法

Unsupervised domain adaptation with intra-class maximum mean discrepancy

免费全文下载 (已被下载 次)  
获取PDF全文
作者 蔡瑞初,李嘉豪,郝志峰
机构 广东工业大学 计算机学院;佛山科学技术学院 数学与大数据学院
统计 摘要被查看 次,已被下载
摘要 传统的无监督领域自适应算法在对齐总体分布时存在分类信息流失问题,难以保证迁移学习效果。针对这个问题,提出了一种基于类内最大均值差异的分布对齐策略。该策略首先预测所有样本的伪标签,然后借助伪标签样本信息依次对齐每个类别的领域类内分布。在深度学习框架下,所提算法能够有效保留分类信息,提高了目标领域的预测能力。与传统算法比较,实验结果表明,所提算法在多个基准数据集上获得了最优的迁移学习效果。
关键词 领域自适应;无监督学习;神经网络;最大均值差异
基金项目 NSFC-广东联合基金资助项目(U1501254)
国家自然科学基金资助项目(61876043,61472089)
广东省自然科学基金资助项目(2014A030306004,2014A030308008)
广东省科技计划项目(2015B010108006,2015B010131015)
广东特支计划项目(2015TQ01X140)
广州市珠江科技新星项目(201610010101)
广州市科技计划项目(201604016075)
本文URL http://www.arocmag.com/article/02-2020-08-008.html
收稿日期
修回日期
页码 -
中图分类号 TP183
文献标志码