要約
本研究では、非監督ドメイン適応の手法を提案します。多くの敵対的学習手法は、ドメイン分類器ネットワークをソースとターゲットの特徴を区別するために訓練し、特徴生成器ネットワークをディスクリミネーターを模倣するように訓練します。これらの手法には2つの問題があります。まず、ドメイン分類器は特徴をソースまたはターゲットとしてのみ区別しようとし、クラス間のタスク固有の決定境界を考慮しません。したがって、訓練されたジェネレータはクラス境界近くで曖昧な特徴を生成することがあります。次に、これらの手法は異なるドメイン間の特徴分布を完全に一致させることが目標ですが、各ドメインの特性によりこれが難しいことがあります。これらの問題を解決するために、我々はタスク固有の決定境界を利用することでソースとターゲットの分布を揃える新しいアプローチを導入します。2つの分類器の出力間の乖離（discrepancy）を最大化することにより、ソースからのサポートから遠いターゲットサンプルを検出することを目指します。特徴生成器は、乖離を最小限に抑えるためにサポートに近い位置でターゲット特徴を生成することを学びます。我々の手法は画像分類や意味分割のいくつかのデータセットにおいて他の手法よりも優れた性能を示しています。コードは以下のURLから入手可能です: \url{https://github.com/mil-tokyo/MCD_DA}