Visuelle Domänenanpassung mit manifold-eingebetteter Verteilungsanpassung

Visuelle Domänenanpassung (Visual Domain Adaptation) strebt danach, robuste Klassifizierer für das Zielgebiet durch die Nutzung von Wissen aus einem Quellengebiet zu erlernen. Bestehende Methoden versuchen entweder, die Verteilungen über verschiedene Domänen auszurichten, oder führen eine Mannigfaltigkeitsunterraumlernung durch. Es gibt jedoch zwei wesentliche Herausforderungen: (1) degenerierte MerkmalsTransformation, was bedeutet, dass die Verteilungsanpassung oft im ursprünglichen Merkmalsraum durchgeführt wird, wo Merkmalsverzerrungen schwer zu überwinden sind. Andererseits ist die Unterraumlernung nicht ausreichend, um die Verteilungsdivergenz zu reduzieren. (2) ungewertete Verteilungsanpassung, was bedeutet, dass bestehende Verteilungsanpassungsmethoden nur Marginal- und bedingte Verteilungen mit gleicher Bedeutung ausrichten, während sie in realen Anwendungen die unterschiedliche Bedeutung dieser beiden Verteilungen nicht berücksichtigen. In diesem Artikel schlagen wir einen Ansatz namens Manifold Embedded Distribution Alignment (MEDA) vor, um diese Herausforderungen zu bewältigen. MEDA lernt einen domäneninvarianten Klassifizierer in der Grassmann-Mannigfaltigkeit unter Verwendung der strukturellen Risikominimierung und führt gleichzeitig eine dynamische Verteilungsanpassung durch, um quantitativ das relative Gewicht von Marginal- und bedingten Verteilungen zu berücksichtigen. Nach unserem besten Wissen ist MEDA der erste Versuch, eine dynamische Verteilungsanpassung für die Mannigfaltigkeitsdomänenanpassung durchzuführen. Umfangreiche Experimente zeigen, dass MEDA im Vergleich zu den neuesten traditionellen und tiefen Methoden erhebliche Verbesserungen bei der Klassifikationsgenauigkeit aufweist.