Adversarial Feature Augmentation

About this paper

• Title: Adversarial Feature Augmentation for Unsupervised Domain Adaptation
• Authors: Riccardo Volpi, Pietro Morerio, Silvio Savarese, Vittorio Murino
• Topic: Domain Adaptation
• From:CVPR 2018

Contributions

• 第一次使用GAN在特征空间做数据增强。
• 基于特征增强和特征域不变性提出了一个新的无监督领域自适应方法。

Motivation

这一方法基于Tzeng等人ADDA方法，主要做了两方面的改进

1. 只使用一个特征提取器来获得域不变性特征。（ADDA使用了两个特征提取器，一个用于提取源域特征，一个用于提取目标域特征）
2. 在特征空间执行数据增强

作者认为

• 特征增强的好处：使训练过程更鲁棒
• 域不变性特征的好处：避免灾难性遗忘，可以使用一个特征提取器同时提取源域和目标域数据的特征

Methods

本文提出的方法的训练过程分为三步：

1. 使用源域数据监督训练一个编码器（Encoder）和分类器。

   
   

2. 使用上一步训练得到的编码器提取源域特征，同时将一个特征生成器（Feature generator）和一个判别器（Discriminator）进行对抗训练。至此我们得到了能进行特征生成的部件S。注意：这一步的对抗训练借鉴了CGAN和LSGAN的损失函数。

   
   

3. 域不变特征编码器和判别器进行对抗训练。训练得到的编码器与第一步的分类器可以对源域数据和目标域数据进行测试。