【CVPR2020-清华大学】渐进对抗网络的细粒度域适应,Progressive Adversarial Networks

2020 年 4 月 4 日 专知

细粒度的视觉分类一直被视为一个重要的问题,然而,其实际应用仍受限制,因为精确的注解大量细粒度图像数据集是一项艰苦的任务,需要人类的专家级知识。解决这个问题的一个方法是将域适应方法应用于细粒度场景,其中的关键思想是发现现有的细粒度图像数据集和大量未标记数据之间的共性。主要的技术瓶颈是在域对齐过程中,大的域间变异会使小的类间变异的细微边界变差。本文提出了一种基于课程的对抗学习框架的渐进式对抗网络(PAN),该网络可将跨领域的细粒度分类进行对齐。特别是,在整个学习过程中,通过所有的多粒度特性进行域适应,逐步地从粗到细利用标签层次结构。该方法既适用于类别分类,又适用于域对齐,提高了细粒度特征的可识别性和可移植性。我们的方法是在三个基准上评估的,其中两个是我们提出的,它比最先进的领域适应方法表现更好。


http://ise.thss.tsinghua.edu.cn/~mlong/doc/progressive-adversarial-networks-cvpr20.pdf


专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“PAN” 就可以获取【CVPR2020-清华大学】渐进对抗网络的细粒度域适应,Progressive Adversarial Networks》论文专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
31

相关内容

【CVPR2020-北京大学】自适应间隔损失的提升小样本学习
专知会员服务
84+阅读 · 2020年6月9日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
155+阅读 · 2020年5月26日
【CVPR2020-旷视】DPGN:分布传播图网络的小样本学习
专知会员服务
26+阅读 · 2020年4月1日
Arxiv
13+阅读 · 2019年1月26日
Arxiv
8+阅读 · 2018年5月21日
VIP会员
相关VIP内容
【CVPR2020-北京大学】自适应间隔损失的提升小样本学习
专知会员服务
84+阅读 · 2020年6月9日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
155+阅读 · 2020年5月26日
【CVPR2020-旷视】DPGN:分布传播图网络的小样本学习
专知会员服务
26+阅读 · 2020年4月1日
Top
微信扫码咨询专知VIP会员