典型文献
结合风格迁移的最小化类混淆领域自适应算法
文献摘要：
在无监督领域自适应中分类器对目标域的样本进行类别预测时容易产生混淆预测,虽然已有研究提出了相关算法提取到样本的类间相关性,降低了分类器在目标域上的类混淆预测.但该方法仍然未能解决源域和目标域因共享特征稀疏导致的迁移学习能力不足的问题,针对这个问题,通过使用生成对抗网络对源域进行了风格迁移,扩展源域各类样本的特征空间可供目标域匹配的共享特征,解决因共享特征稀疏导致分类器正迁移力不足的问题,从而进一步减少分类器在目标域上产生的类混淆预测.当分类器利用扩充后的共享特征对目标域样本预测分类概率时,基于不确定性权重机制,加重预测概率权重使其能在几个预测概率峰值上以更高的概率值突出,准确地量化类混淆,最小化跨域的类混淆预测,抑制跨域的负迁移.在UDA场景下,对标准的数据集ImageCLEF-DA和Office-31的三个子数据集分别进行了领域自适应实验,相较于RADA算法平均识别精度分别提升了1.3个百分点和1.7个百分点.
文献关键词：
迁移学习;最小化类混淆;风格迁移;领域自适应;生成对抗网络
中图分类号：
作者姓名：
梅校杰;张灵
作者机构：
广东工业大学 计算机学院,广州 510006
文献出处：
引用格式：
[1]梅校杰;张灵-.结合风格迁移的最小化类混淆领域自适应算法)[J].计算机工程与应用,2022(14):153-159
A类：
最小化类混淆,ImageCLEF,RADA
B类：
风格迁移,自适应算法,无监督领域自适应,分类器,目标域,取到,源域,共享特征,特征稀疏,疏导,迁移学习,生成对抗网络,展源,特征空间,正迁移,少分,样本预测,预测分类,重机,跨域,负迁移,UDA,Office,识别精度,百分点
AB值：
0.259912
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
