2 个月前

对抗dropout正则化

Kuniaki Saito; Yoshitaka Ushiku; Tatsuya Harada; Kate Saenko
对抗dropout正则化
摘要

我们提出了一种方法,用于将神经表示从标签丰富的源域转移到未标记的目标域。近期针对此任务提出的对抗方法通过欺骗一个特殊的域判别网络来对齐不同域之间的特征。然而,这种方法的一个缺点是,判别器仅将生成的特征标记为属于该域或不属于该域,而没有考虑类之间的边界。这可能导致在类边界附近生成模糊特征,从而降低目标分类的准确性。为此,我们提出了一种新的方法——对抗dropout正则化(Adversarial Dropout Regularization, ADR),以鼓励生成器为目标域输出更具区分性的特征。我们的核心思想是用一个检测非区分性特征的判别器替换原有的判别器,通过对分类网络进行dropout操作实现这一目标。生成器随后学习避开这些特征空间中的区域,从而创建更好的特征。我们将ADR方法应用于图像分类和语义分割任务的无监督域适应问题,并展示了相较于现有技术的重大改进。此外,我们还证明了该方法可用于训练生成对抗网络以实现半监督学习。