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

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。