Open Set Domain Adaptation

# Open Set Domain Adaptation
---

## Info

* Conference: ICCV 17
* Cites: 174
* Github Stars: 59 (可能和这个不是NN的解法有关)
* Github Solved/Issue: 2/5
* Author: ![title](https://leanote.com/api/file/getImage?fileId=5fd24431ab64415616000b2a)

---

## Main Idea

* 问题 Setting
* ![title](https://leanote.com/api/file/getImage?fileId=5fd245c1ab64415423000ad7)
* 方法概述：生成伪label，对齐，生成伪label，对齐，生成伪label，对齐...
* ![title](https://leanote.com/api/file/getImage?fileId=5fd24620ab64415616000b2d)

## Solution

* Unsupervised Open DA 问题转化，即整数规划对齐label
* ![title](https://leanote.com/api/file/getImage?fileId=5fd24661ab64415423000adf)
* Semi-supervised Open DA 问题转化，再增加类中心对齐
* ![title](https://leanote.com/api/file/getImage?fileId=5fd246cbab64415423000ae1)
* 以上都可以转换为线性整数规划来解。
* 求解一个矩阵来转移S到T。
* ![title](https://leanote.com/api/file/getImage?fileId=5fd2471dab64415423000ae3)

## Result

* Benchmark: 使用  Office dataset 和  Caltech dataset 合并造出一个 10 类共同，10类 S 独占， 11类 T 独占的数据集。
* 这个结果上，即使是 Close-set 也是当时 SOTA。文章还有别的七八组实验表格，这里就只放一组了。
* ![title](https://leanote.com/api/file/getImage?fileId=5fd2483cab64415423000ae6)

## Inspiration

* 问题 Setting 很有意思，相对 Close Set 的 Setting 更加有意义，把 Outlier 考虑进去了。由于是第一篇题出问题的文章，所以解法上有些粗糙。

wuvin

导航

最近发表

友情链接