Abstract

本文提出一种适用于domain adaptation的representation learning方法，训练和测试数据来自相似但不同的分布。本文方法受启发于领域自适应的理论：为实现域迁移，预测必须要基于不可分辨的训练（source）和测试（target）域。 本方法适用于：在标记的source domain和未标记的target domain上训练。在训练过程中，提取出来的特征可以完成主要学习任务（例如：分类），同时通过增加gradient reversal layer，不可以区分域间转换（不区分训练和测试域，即把他们映射到同一个域）。并且验证该方法在行人重识别中的descriptor learning task中的应用。

 

Domain-Adversarial Neural Networks (DANN)

1. source domain：分类损失

对于一个分类任务，假设输入X是m维，通过Gf层，将输入X映射为D维特征：

通过一个预测层Gy，将D维特征映射为结果：

对应的损失可以计算为：

因此，训练网络就是在source domain上最小化下式：

其中R(W, b)是一个正则化项。

 

2. target domain：域分类损失

考虑source domain上的图片特征S(Gf)和target domain上的图片特征T(Gf)，本文提出通过经验H-散度来评估两个特征集之间的距离：

进一步通过一个domain classfication layer Gd来计算上式的min部分。

损失计算如下： 

进一步，定义正则化项如下，负号相当于对dH取反，将求最小转换为求最大。

 

 

3. 最后

因此，最终得到：

这里的负号是因为，本文希望他们的距离尽可能小，即梯度逆方向。

1. feature extractor: 将source domain和target domain的图片转换为特征。

2. domain classifier: 为了将target domain的特征转换和source domain的特征进行融合，或者说是统一到一个分布，作者在domain classifier中引入对抗训练，domain classifier用于对输入图片属于source domain还是target domain进行分类，但是通过gradient reversal layer将该反传梯度取反，使得目标是“尽可能区分两域”，变成“尽可能不能区分两域”，使得两域特征融合。

3. label predictor: 在label predictor中则是训练分类器，对有label的source domain图片进行分类。

 

 

Reference

https://zhuanlan.zhihu.com/p/51499968

https://blog.csdn.net/nekoli/article/details/88978797