Generieren, um anzupassen: Domänenausrichtung mit generativen adversären Netzwerken

Domain Adaptation ist ein intensiv erforschtes Problem im Bereich der Computer Vision. In dieser Arbeit schlagen wir einen Ansatz vor, der unüberwachte Daten nutzt, um die Quell- und Zielverteilungen in einem gelernten gemeinsamen Merkmalsraum näher zusammenzuführen. Dies erreichen wir, indem wir eine symbiotische Beziehung zwischen dem gelernten Einbettungsraum und einem generativen adversären Netzwerk herstellen. Im Gegensatz zu Methoden, die das adversäre Framework für die Erzeugung realistischer Daten und das erneute Training tiefer Modelle mit solchen Daten verwenden, zeichnet sich unser Ansatz durch seine Stärke und Allgemeingültigkeit aus. Wir demonstrieren dies durch Experimente an drei verschiedenen Aufgaben mit unterschiedlichem Schwierigkeitsgrad: (1) Ziffernerkennung (MNIST-, SVHN- und USPS-Datensätze), (2) Objekterkennung unter Verwendung des OFFICE-Datensatzes und (3) Domänenanpassung von synthetischen zu realen Daten. Unsere Methode erzielt in den meisten experimentellen Szenarien Spitzenleistungen und ist bislang die einzige GAN-basierte Methode, die ihre Effektivität über verschiedene Datensätze wie OFFICE und DIGITS nachgewiesen hat.