【CVPR2020-Oral】用于深度网络的任务感知超参数

领域适应(DA)提供了重用数据和模型用于新问题领域的有价值的方法。然而，对于具有不同数据可用性的时间序列数据，还没有考虑到健壮的技术。在本文中，我们做出了三个主要贡献来填补这一空白。我们提出了一种新的时间序列数据卷积深度域自适应模型(CoDATS)，该模型在现实传感器数据基准上显著提高了最先进的DA策略的准确性和训练时间。通过利用来自多个源域的数据，我们增加了CoDATS的有用性，从而进一步提高了与以前的单源方法相比的准确性，特别是在域之间具有高度可变性的复杂时间序列数据集上。其次，我们提出了一种新的弱监督域自适应(DA-WS)方法，利用目标域标签分布形式的弱监督，这可能比其他数据标签更容易收集。第三，我们对不同的真实数据集进行了综合实验，以评估我们的域适应和弱监督方法的有效性。结果表明，用于单源DA的CoDATS比最先进的方法有了显著的改进，并且我们使用来自多个源域和弱监督信号的数据实现了额外的准确性改进。