现有的领域自适应方法过于关注源域的细粒度特征学习,从而削弱了相关方法有效推广到目标域的能力,导致这些方法容易在特定的环境中过度拟合,且缺乏对复杂环境的鲁棒性。为了解决上述问题,提出一个融合环境标签平滑与核范数差异(ELSND)...现有的领域自适应方法过于关注源域的细粒度特征学习,从而削弱了相关方法有效推广到目标域的能力,导致这些方法容易在特定的环境中过度拟合,且缺乏对复杂环境的鲁棒性。为了解决上述问题,提出一个融合环境标签平滑与核范数差异(ELSND)的领域自适应模型。所提模型通过环境标签平滑模块,减小真实标签的概率,增大非真实标签的概率,进而增强模型对不同场景的适应性。同时,运用核范数差异模块度量源域与目标域的分布差异,从而提高决策边界处样本的分类确定性。在Office-31、Office-Home和MiniDomainNet这3个领域的自适应基准数据集上进行大量实验。结果表明,与先进的基线模型DomainAdaptor-Aug(DomainAdaptor with generalized entropy minimization-Augmentation)在MiniDomainNet数据集上相比,ELSND模型在图像分类领域自适应任务上的精确度提升了1.23个百分点。因此,所提模型在图像分类时具有更高的精确度和泛化性。展开更多
文摘现有的领域自适应方法过于关注源域的细粒度特征学习,从而削弱了相关方法有效推广到目标域的能力,导致这些方法容易在特定的环境中过度拟合,且缺乏对复杂环境的鲁棒性。为了解决上述问题,提出一个融合环境标签平滑与核范数差异(ELSND)的领域自适应模型。所提模型通过环境标签平滑模块,减小真实标签的概率,增大非真实标签的概率,进而增强模型对不同场景的适应性。同时,运用核范数差异模块度量源域与目标域的分布差异,从而提高决策边界处样本的分类确定性。在Office-31、Office-Home和MiniDomainNet这3个领域的自适应基准数据集上进行大量实验。结果表明,与先进的基线模型DomainAdaptor-Aug(DomainAdaptor with generalized entropy minimization-Augmentation)在MiniDomainNet数据集上相比,ELSND模型在图像分类领域自适应任务上的精确度提升了1.23个百分点。因此,所提模型在图像分类时具有更高的精确度和泛化性。
