Domain Generalization with Adversarial Feature Learning

# Domain Generalization with Adversarial Feature Learning

---

## Info

* Conference: CVPR 2018
* Cites: 144
* Github Stars: 25
* Github Solved/Issue: 1/2
* Author: ![title](https://leanote.com/api/file/getImage?fileId=5fd8d448ab644152f30003bd)
 
---

## Main Idea

* Domain Generalization 是用已有数据进行训练（已有数据可以是多个域），使得在从未见过的数据集上有更好的泛化能力。
* ![title](https://leanote.com/api/file/getImage?fileId=5fd8d4b1ab644154ec000423)
* 这篇文章通过一个 Auto-Encoder 和 GAN 期望这个 Auto-Encoder 能够给出一个具有泛化能力的编码。 
* ![title](https://leanote.com/api/file/getImage?fileId=5fd8d517ab644152f30003c0)
* 所以训练时的损失包含：正常分类损失+Auto-Encoder重建损失+多个域在编码后空间之间的MMD损失+GAN的损失
* ![title](https://leanote.com/api/file/getImage?fileId=5fd8d582ab644152f30003c1)
* 其中 MMD 计算方式为（即各域在隐空间编码中心的距离）：
* ![title](https://leanote.com/api/file/getImage?fileId=5fd8d610ab644152f30003c2)
* GAN 部分为了稳定训练把第一个的log改成了L2。
* ![title](https://leanote.com/api/file/getImage?fileId=5fd8d666ab644154ec00042a)

## Results

* 数据集使用了不同旋转角度的MNIST, VLCS数据集（一共五种分类，来自四个不同的数据集），IXMAS数据集（11种动作，拍自5种不同的视角）
* ![title](https://leanote.com/api/file/getImage?fileId=5fd8d6d8ab644152f30003c5)
* ![title](https://leanote.com/api/file/getImage?fileId=5fd8d6e3ab644152f30003c7)
* ![title](https://leanote.com/api/file/getImage?fileId=5fd8d6eeab644154ec00042b)
* 数字数据集 ![title](https://leanote.com/api/file/getImage?fileId=5fd8d8b7ab644152f30003d8)
* VLCS ![title](https://leanote.com/api/file/getImage?fileId=5fd8d8d8ab644154ec000431) ![title](https://leanote.com/api/file/getImage?fileId=5fd8d8cdab644152f30003d9)
* IXMAS ![title](https://leanote.com/api/file/getImage?fileId=5fd8d8ecab644154ec000432) ![title](https://leanote.com/api/file/getImage?fileId=5fd8d8cdab644152f30003d9) 
* 对比的几种方法大部分都是作者自己造的
* ![title](https://leanote.com/api/file/getImage?fileId=5fd8d7a0ab644154ec00042d)
* Ablation Study
* ![title](https://leanote.com/api/file/getImage?fileId=5fd8da09ab644154ec000434)

## Comments

* 由于这篇比较早，所以看起来哪都是问题。GAN稳定训练的方式不对，如果GAN训练好了MMD loss 没有必要。 
* Auto-Encoder 的 loss 会促使中间层表示保留域都有信息，与期望的初衷相悖。
* Baseline 比较弱，可能本身ACC就不高。

wuvin

导航

最近发表

友情链接