1、Asymmetric Tri-training for Unsupervised Domain Adaptation–非对抗方法
研究域适应，都希望能够学到域不变的特征，也就是说，假如现在是分类的任务，希望学习到分类器在不同的域都能够表现良好。实际情况是，这是很难的事情，因为不同域的具有不同的分布，具有各自具体域的特性。关于这方面的解决方法很多，看下本文Asymmetric Tri-training的方法吧，即用不对称的三个网络，其中两个网络用来生伪标签，另外一个网络从伪标签数据中来学习，生成target域的目标表示。
具体看图：先用源域上有标签的数据训练两个不同的分类器，然后目标上无label的图片分别丢到分类器中，分别产生的输出，由于有可能产生false label，所以还需要去挑选。总之中间图表示的意思是，让两个分类器产生无label的图片的伪标签 pseudo-labels，最后利用得到伪标签的目标域数据，去训练第三个分类网络。具体细节看下文：
1）先看算法过程
用源域数据分别训练F, F1, F2, Ft
把target数据丢入F1和F2，生成pseudo-labels（伪标签），其中需要满足两个条件：两个网络输出是同一个类别；具有足够高的置信度，0.9/0.95。
迭代过程，label数据和 pseudo-labels数据继续训练F, F1, F2； pseudo-labels数据训练F，Ft
训练完成后，F能够学习到目标域的特征表示，分类器Ft也能够目标域数据进行分类。
2）具体的实现细节，看代码，做实验
做两个实验，第一，重新训练网络，多看几层特征分布；
第二、合成图像–>真实图像实验，
集体讨论，有什么可改进的地方
相关文章：