摘要

对抗学习方法是一种有前景的训练鲁棒深度网络的方法，能够在不同领域生成复杂的样本。此外，它们还能在存在领域偏移或数据集偏差的情况下提高识别性能：最近引入了几种用于无监督领域适应的对抗方法，这些方法通过减少训练域和测试域分布之间的差异来提升泛化性能。先前的生成方法展示了令人信服的可视化效果，但在判别任务上并非最优，并且可能仅限于较小的领域偏移。先前的判别方法可以处理更大的领域偏移，但对模型施加了绑定权重，并未利用基于生成对抗网络（GAN）的损失函数。我们首先概述了一种新的广义对抗适应框架，该框架将最近的前沿方法作为特殊情况包含在内，并利用这一广义视角更好地关联先前的方法。我们提出了一种此前未被探索过的框架实例，该实例结合了判别建模、非绑定权重共享和GAN损失函数，我们称之为对抗判别领域适应（ADDA）。我们证明了ADDA比竞争性的领域对抗方法更有效且显著更简单，并通过在标准跨域数字分类任务以及一个新的更具挑战性的跨模态物体分类任务中超过现有最先进无监督适应结果，展示了我们的方法的潜力。