本文介绍: 领域适应领域泛化,数据集分布差异

训练一个分类器是小问题

在这里插入图片描述

难度

在这里插入图片描述
训练数据测试数据不一致,比如训练数据黑白的,测试彩色的,结果准确率非常低。
训练数据测试数据有点差距的时候,能不能效果也能好呢?这就用到领域使用domain adptation
在这里插入图片描述
一个领域学到的知识用到另外一个领域

Domain Shift

在这里插入图片描述
有多种多样的domain shift

  • 分布频次不一样
  • 标签不一致

这里考虑分布不一样
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
现在问题是有大量的图像,但是没有标注,怎么用这些没有标注数据用来训练模型
在这里插入图片描述
颜色去掉,这样就能一样训练了。

Domain Adversarial Training

在这里插入图片描述
把前5层当作feature extractor,后5层当作label predictor
想要有标注数据和无标注数据抽取后的特征在分布上没有什么差别。
在这里插入图片描述

Limitation

在这里插入图片描述

在这里插入图片描述
考虑边界
在这里插入图片描述

在这里插入图片描述
更坏的情况:

一张都不知道的话就不叫domain adaptation而是domain generalization
在这里插入图片描述
data aug行数据增强
在这里插入图片描述

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注