文献阅读·65-FRODA

简介

  Learning factorized representations for open-set domain adaptation.ICLR-2019,cited-8.

关键字

  Open set，Domain Adaptation

正文

1. 使用场景

  适用于图中第2，3个。

image.png

2. 基本思路和解决方案

  假设souce和target的已知类共享一个子空间，而未知类位于不同的子空间。根据假设寻找可最优重构的线性映射下的子空间表达，通过寻找到的映射来区分unknow样本。映射过程的基本目标是重构损失要小，在此基础上可选增加类条件限制，同时完成域适应和分离工作。

3 具体方法和实现

  （1）目标函数

  其中S，T是映射后的特征空间，共享空间的转换矩阵是V，unknow类的转换矩阵是U。要注意的是T是由U和V分别映射后的和。即：

  （2）组稀疏正则

  正则项使目标样本的表达倾向know或unknow。约束条件保护λ起作用。

  （3）类条件正则

  L是标签，W是分类器参数。

  （4）推断

  根据T的成分来推断，unknow成分超过一定阈值时判断为unknow。
  阈值：。分类的推断使用分类器参数W判断。

4. 数据集及实验设置

  对比方法：TCA，GFK，SA，CORAL，ATI

  Office：使用decaf7特征，先用CoPCA处理，保留99%。与Cal-tech共同的类为share类，剩下的按字母序，11-20为source的unknow类，21-31为target的unknow类。85

  Dense-Dataset：使用decaf7特征，先用CoPCA处理，保留99%。由Bing，Caltech256，Imagenet，Sun四个数据集公共类组成，共40类。取1-10作为share类，11-25作为source的unknow类，26-40作为target的unknow类。作为source的每类抽取50个样本，target每类30个样本，除了sun数据集，它只用20个样本。

参考资料

[1] Baktashmotlagh, Mahsa, et al. "Learning factorized representations for open-set domain adaptation." International Conference on Learning Representations 2019. Internation Conference on Learning Representation (ICLR), 2019.