摘要

视觉域适应旨在通过利用源域的知识来学习目标域的鲁棒分类器。现有方法要么尝试对齐跨域分布，要么执行流形子空间学习。然而，存在两个主要挑战：(1) 特征变换退化，这意味着分布对齐通常在原始特征空间中进行，而特征失真难以克服。另一方面，子空间学习不足以减少分布差异。(2) 未评估的分布对齐，即现有的分布对齐方法仅以相同的重要性对边缘分布和条件分布进行对齐，而在实际应用中未能评估这两种分布的不同重要性。本文提出了一种流形嵌入分布对齐（Manifold Embedded Distribution Alignment, MEDA）方法来解决这些挑战。MEDA 在 Grassmann 流形上通过结构风险最小化学习一个域不变分类器，并执行动态分布对齐以定量考虑边缘分布和条件分布的相对重要性。据我们所知，MEDA 是首次尝试为流形域适应执行动态分布对齐的方法。大量实验表明，与最先进的传统和深度方法相比，MEDA 在分类准确性方面表现出显著的提升。