摘要

大规模数据收集和标注的成本通常使得机器学习算法在新任务或数据集上的应用变得过于昂贵。一种绕过这一成本的方法是在合成数据上训练模型，其中标注可以自动提供。尽管这种方法具有吸引力，但这些模型往往无法从合成图像泛化到真实图像，需要通过领域适应算法对这些模型进行调整才能成功应用。现有的方法要么专注于将表示从一个领域映射到另一个领域，要么专注于学习提取不受来源领域影响的特征。然而，仅关注创建两个领域的映射或共享表示时，它们忽略了每个领域的独特特性。我们认为，显式建模每个领域的独特性可以提高模型提取领域不变特征的能力。受私有-共享成分分析工作的启发，我们显式地学习将图像表示分解为两个子空间：一个子空间是每个领域的私有部分，另一个子空间是跨领域的共享部分。我们的模型不仅在源域中执行我们关心的任务，还使用这种分隔的表示来重建来自两个领域的图像。我们的新颖架构在一系列无监督领域适应场景中超越了现有最先进方法，并且生成了私有和共享表示的可视化结果，有助于解释领域适应过程。