基于强化传输网络的部分领域适应的选择性迁移

部分域适应（PDA）的一个关键方面是如何在共享类别中选择相关的源样本以进行知识迁移。以往的PDA方法通过基于源样本的高层信息（深度特征）重新加权来解决这一问题。然而，由于源域和目标域之间的域偏移，仅使用深度特征进行样本选择存在缺陷。我们认为，在PDA问题中，合理地利用像素级信息也是必要的，因为异常源类和目标类之间的外观差异显著较大。在本文中，我们提出了一种强化传输网络（RTNet），该网络同时利用高层信息和像素级信息来解决PDA问题。我们的RTNet由一个基于强化学习（RL）的强化数据选择器（RDS）和一个最小化共享标签空间中域差异的域适应模型组成。具体而言，在RDS中，我们设计了一种新的奖励机制，该机制基于选定源样本在目标生成器上的重构误差，从而引入像素级信息来指导RDS的学习。此外，我们开发了一个包含高层信息的状态，用于RDS进行样本选择。所提出的RDS是一个通用模块，可以轻松集成到现有的域适应模型中，使其适用于PDA场景。广泛的实验表明，RTNet在多个基准数据集上可以实现最先进的PDA任务性能。