基于对抗学习的开集域自适应分类

张庆亮，朱松豪

（南京邮电大学 自动化学院、人工智能学院，江苏 南京 210023）

目前，深度卷积神经网络被广泛用于解决许多计算机视觉任务，并显著提高了性能。但是，训练一个有效的深度卷积网络模型需要大量带标签的样本，这需要消耗大量的人力物力财力，因此通常难以获得这样的数据。这种缺陷阻碍了深度神经网络在图像任务中的进一步发展，尤其是在医学图像等标注样本极为稀缺的领域［1－2］。当标注样本稀缺时，来自分布不同但语义相关的数据集样本对模型训练很有帮助，但由于不同数据集的分布不同，直接用其进行训练会产生“域移位”现象［3］。为解决该问题，域自适应方法被广泛研究［4］。在域自适应问题中，将未标记的数据集称为目标域，已标记的数据集称为源域。在本文的设定中，目标域样本的标签信息完全未知，因此，可视为无监督问题。现有的域自适应方法大多属于闭集域自适应［5－9］，即源域和目标域的类别完全重合，但在实际应用中，目标域样本可能是源域中未出现过的类别，即“未知类别”。这个问题被称为开集域自适应［10］，如图1所示。由于“未知类别”的信息完全未知，因此开集域自适应比传统的闭集域自适应问题更具挑战性。

图1 两种域自适应

本文在文献［11］的基础上，提出了一个新的方法，使用了奇异值平衡策略和基于对抗思想的域对齐方法。文献［12］的研究表明，在迁移学习过程中，模型的迁移性得到增加，但同时也导致了奇异值分布的不平衡。……