摘要
最近的研究表明，深度神经网络可以学习到可迁移的特征，这些特征在域适应中对新任务具有良好的泛化能力。然而，随着网络层次的加深，深度特征逐渐从一般性向特异性转变，导致在更高层中，随着域差异的增加，特征的迁移能力显著下降。因此，在特定任务层中正式减少数据集偏差并增强迁移能力显得尤为重要。本文提出了一种新的深度适应网络（Deep Adaptation Network, DAN）架构，该架构将深度卷积神经网络推广到了域适应场景中。在DAN中，所有特定任务层的隐藏表示都被嵌入到一个再生核希尔伯特空间（Reproducing Kernel Hilbert Space, RKHS）中，在此空间中可以显式匹配不同域分布的均值嵌入。通过使用最优多核选择方法进一步减少域差异来实现均值嵌入匹配。DAN可以在统计保证下学习到可迁移的特征，并且可以通过无偏估计的核嵌入实现线性扩展。大量的实验证据表明，所提出的架构在标准域适应基准测试中的图像分类错误率达到了最先进的水平。