对迁移进修中域适应的理解和3种技术的介绍

锻炼时

悬疑时

上面的结构论点流亦然和远距离亦然有有所不同的各种特性。在上述架构里面，在锻炼每一次里面，我们最小化了两种伤亡，界定伤亡和基于散度的伤亡。界定伤亡通过对形态分离出装置和界定装置的有理数顺利完成备份，必要获得较佳的界定安全性。而散度伤亡则通过备份形态分离出装置的有理数来保障流亦然和远距离亦然的形态完全相同。

在悬疑每一次里面，我们只需将远距离亦然图片通过机器努力研读习。所有的产自一般来说是非实例而且是人工的数研读公式，不是专门针对数据资料集或我们的情况的，如界定，远距离探测，重叠等。因此，这种基于产自的法则并不能很差地解决我们的情况。但是，如果产自可以通过数据资料集或情况来努力研读习，那么它将比传统的原订义产自展现得能够。

基于对抗的亦然直接影响

为了认真到基于能力也的亦然直接影响，我们选用GANs。这里我们的生成装置是简单的形态分离出装置，我们添加了最初鉴别装置网络服务，努力研读习分辨流和远距离亦然的形态。由于这是一个双人电子游戏，鉴别装置为了让生成装置产生的形态对于流和远距离领亦然是不能分辨的。由于我们有一个可努力研读习的鉴别装置网络服务，我们努力研读习特定于我们的情况和数据资料集的形态分离出，这可以为了让分辨流和远距离亦然，从而为了让生成装置产生更鲁棒的形态，即，不能很容易分辨的形态。

锻炼时,在流亦然上

锻炼时,在远距离亦然上

论点是界定情况，我们选用两种伤亡，界定伤亡和鉴别装置伤亡。界定伤亡的目的已在在后说明。鉴别装置伤亡有助于鉴别装置正确地分辨流亦然和远距离亦然的形态。这里我们选用径向反向层(GRL)来认真到能力也锻炼。GRL block是一个简单的block，它在反向传播方式时将径向乘以-1或一个绝对值。

在锻炼每一次里面，为了备份生成装置，我们有来自两个方向的径向，首先来自界定装置，其次来自鉴别装置。由于GRL的实际上，鉴别的径向乘以一个绝对值，导致锻炼生成装置的敏感度与鉴别装置相反。例如，如果优化鉴别装置伤亡算子的推算径向为2，那么我们选用-2(论点绝对值为-1)来备份生成装置。通过这种方式，我们试图锻炼生成装置，使其生成即使是鉴别装置也不能分辨流亦然和远距离亦然的形态。GRL层在许多亦然直接影响的文献里面都有较广的应用。

基于重建的亦然直接影响

这是基于图片到图片的类比。一个简单的法则是努力研读习从远距离亦然图片到流亦然图片的类比，然后在流亦然上锻炼一个界定装置。我们可以用这个想要法引入多种法则。图片到图片类比的最简单模型可以是基于编码装置-解码装置的网络服务，并选用鉴别装置自愿性编码装置 — 解码装置网络服务生成与流亦然完全相同的图片。

锻炼时

试验时

另一种法则是选用CycleGANs。在Cycle GAN里面选用了基于两种编解码装置的机器努力研读习。一个应用于将远距离类比为流亦然，另一个应用于将流类比为远距离亦然。我们同时锻炼了生成两个亦然(流亦然和远距离亦然)图片的GANs。为了保障精确性，引入了循环精确性伤亡。这可以必要从一个亦然类比到另一个亦然，然后再继续类比回来，得到与类比成大致有所不同的图片。因此，两个配对网络服务的总伤亡和是鉴别装置伤亡与循环精确性伤亡的和。

揭示

我们已经注意到了三种有所不同的反应器心技术，可以为了让我们认真到或实施有所不同的亦然直接影响法则。它在图片界定、远距离探测、重叠等有所不同勤务里面都有很大的应用。在某些不足之处，我们可以说，这种法则类似于排化如何努力研读习视觉敏感度识别有所不同的东西。我期望这个帖子能让你了解我们是如何思考有所不同的亦然直接影响pipelines的。

英文名原文链接