摘要

在计算机视觉中，经常会遇到域偏移问题，即当在一个源数据集上训练的分类器应用于具有相似特征（例如相同的类别）但潜在数据结构不同（例如不同的采集条件）的目标数据时出现的问题。在这种情况下，模型在新数据上的表现会较差，因为分类器专门用于识别源域中的特定视觉线索。在这项工作中，我们探索了一种名为DeepJDOT的解决方案来应对这一问题：通过基于最优传输的联合深度表示/标签差异度量，我们不仅学习了源域和目标域之间对齐的新数据表示，还同时保留了分类器使用的判别信息。我们将DeepJDOT应用于一系列视觉识别任务中，在这些任务中其性能优于最先进的深度域适应方法。