域自适应的理解与想法（Domain Adaptation）

这幅图是域适应非常有名的一篇论文中的插图，被很多文章转载。

什么是领域自适应？
Domain Adaptation是迁移学习中很重要的一部分内容，目的是把分布不同的源域和目标域的数据，映射到一个特征空间中，使其在该空间中的距离尽可能近。于是在特征空间中对source domain训练的目标函数，就可以迁移到target domain上，提高target domain上的准确率。
上面的图主要的思想来源于GAN，上图由三部分组成：特征映射网络 标签分类网络和和域判别网络
其中，source domain的数据是有标签的，target domain的数据是无标签的。 将source和target domain的数据都映射到一个特征空间 Z
上， 预测标签y， 预测数据来自于target还是source domain。所以流入的是带标签的source数据，流入的是不带标签的source和target的数据。

：将数据映射到feature space，使 能分辨出source domain数据的label，分辨不出数据来自source domain还是target domain。

[公式] ：对feature space的source domain数据进行分类，尽可能分出正确的label。

[公式]：对feature space的数据进行领域分类，尽量分辨出数据来自于哪一个domain。

最终，希望 与 博弈的结果是source和target domain的数据在feature space上分布已经很一致， 无法区分。于是，可以愉快的用 来分类target domain的数据啦。

理论分析
首先Domain Adaptation基本思想是既然源域和目标域数据分布不一样，那么就把数据都映射到一个特征空间中，在特征空间中找一个度量准则，使得源域和目标域数据的特征分布尽量接近，于是基于源域数据特征训练的判别器，就可以用到目标域数据上。

从上面的原理来看，需要把图像映射到一个特征空间，这在图像分类和图像分割上使用的很多，因为在深度学习网络设计上，都有特征提取的步骤。在目标检测上，大多数域自适应的方法应用在faster rcnn上，同样也因为其有特征提取的过程，对于yolo这类的目标检测的报道很少。

理论分析方面，以下网站介绍的比较清晰：
https://zhuanlan.zhihu.com/p/50710267

CVPR2020上有一篇用在多模态上域自适应的方法，以后再做介绍。