DeepJDOT: Tiefes Optimal Transport der gemeinsamen Verteilung für unüberwachtes Domänenadaptierung

Im Bereich der Computer Vision wird man häufig mit Problemen von Domänenverschiebungen konfrontiert, die auftreten, wenn ein auf einem Quelldatensatz trainierter Klassifikator auf Ziel-Daten angewendet wird, die ähnliche Merkmale (z.B. gleiche Klassen) teilen, aber auch unterschiedliche latente Datenstrukturen (z.B. verschiedene Erfassungsbedingungen) aufweisen. In solchen Situationen führt das Modell bei den neuen Daten zu schlechten Ergebnissen, da der Klassifikator darauf spezialisiert ist, visuelle Hinweise zu erkennen, die spezifisch für die Quelldomäne sind. In dieser Arbeit untersuchen wir eine Lösung namens DeepJDOT, um dieses Problem anzugehen: Durch eine Divergenzmaßnahme auf gemeinsamen tiefen Darstellungen/Labels basierend auf optimaler Transporttheorie lernen wir nicht nur neue Datendarstellungen, die zwischen der Quelldomäne und der Zieldomäne ausgerichtet sind, sondern bewahren gleichzeitig auch die diskriminierenden Informationen, die vom Klassifikator verwendet werden. Wir haben DeepJDOT auf eine Reihe von visuellen Erkennungsaufgaben angewendet, wo es sich gegenüber den besten aktuellen Methoden des tiefen Domänenanpassungs günstig auswirkt.