【迁移学习】月度总结

1、Domain Separation Networks (DSNs) 域分离网络

• 作者认为域之间有着公有特征和私有特征
• 如果私有特征也进行迁移的话，就会造成负迁移
• 因此作者提出了Domain Separation Networks

2、Deep Reconstruction-Classification Networks for Unsupervised Domain Adaptation（DRCN）深度重构分类网络

• DRCN对标记的源数据进行监督分类
• 学习目标域无标签数据的特征表达，将源域的图像转化为外观与目标数据集相似的图像
• 编码参数在两个任务之间共享，而解码参数是分开的
  

3、Multi-Adversarial Domain Adaptation（MADA）多对抗域适应

• 多个对抗网络(每个网络对应一个类，总共k个)，源域中的每一类都分配一个域判别器
• 目标域的样本对应哪个判别器？第k类的概率 x 样本的特征 -> 第k类的域判别器
• 每一个判别器都更加针对自己关注的类进行判别，从而对不同的数据分布进行细粒度的对齐
  

4、Generate To Adapt: Aligning Domains using Generative Adversarial Networks 生成适应:使用生成对抗网络对齐域

• 提出了一种对抗性图像生成方法，使用源域标记数据和来自目标未标记数据直接学习联合特征空间（共享特征）嵌入
• G产生与源域类似但不完全相同的数据，通过与D对抗，促进F特征提取器的学习
• D鉴别-区分真实数据和生成数据
  

5、Learning Semantic Representations for Unsupervised Domain Adaptation（moving semantic transfer network-MSTN）学习无监督域适应的语义表示

• 如何利用伪标签进行域适应？
• 对齐源域（有标签）和 目标域（伪标签，网络预测一个标签）相同类别的中心，来学习的语义信息。
• 模型每次迭代中计算语义转移损失