论文名称：Unsupervised Cross-domain Image Classification by Distance Metric Guided Feature Alignment 作者：Qingjie Meng, Daniel Rueckert,Bernhard Kainz 发表时间：2020/8/19 论文链接：https://arxiv.org/abs/2008.08433 代码地址：https://github.com/qingjie99/MetFA 推荐理由：本文来自伦敦帝国理工学院孟庆杰团队，论文针对领域迁移中模型难以泛化的难题，为读者提供了一个新颖的研究思路。 目前，在领域迁移的研究中，若要应用深度神经网络形成一个领域迁移的泛化模型仍有挑战。无监督领域自适应虽然可以将源域知识迁移到目标域，并且无需在目标域中使用任何标签。现有研究致力于使用领域对抗训练来提取领域不变特征。但这些方法忽略了目标域的潜在表示空间中学习有领域独特性的类别边界，因而产生有限的自适应性能的问题。针对此问题，本文提出了基于距离度量引导特征对齐（MetFA）方法提取源域和目标域上的区别特征和领域不变特征。MetFA方法不使用领域对抗性训练，它可以明确地学习潜在表示模型，该方法应用集成类分布对齐方式将语义知识从源域转移到目标域。通过胎儿超声数据集上的跨设备图像进行分类实验，研究结果表明该方法优于目前最先进的方法并能够使模型泛化。 图1：领域自适应MetFA方法介绍 图1 左:本文MetFA方法介绍：（1）在标记的源域上进行监督分类（优化ℒce）；（2）距离度量引导两个域的特征对齐MetFA（优化ℒprior, ℒH, ℒM, ℒrec）；（3）类分布对齐，并且在两个域中保持类关系（优化ℒKL）。右：ℒH, ℒM的优化示意图。

本文主要贡献如下： 1. 研究了无监督领域适应算法的模型难以泛化的问题； 2. 基于特征对齐的度量学习(MetFA)的方法可以在不使用领域对抗训练方法的情况下，通 过学习有标签的源域和无标签的目标域之间的共享潜在表示空间以实现跨领域提取类别 特征和领域不变特征； 3. 开发了一个可以共同学习类分布对齐和MetFA方法的框架，该框架形成一个泛化模型可 以进一步将语义知识从源域迁移到目标域，并且该方法优于目前最先进的方法。

内容中包含的图片若涉及版权问题，请及时与我们联系删除