多源蒸馏域适应

D是域判别器，C是分类器。阶段3选择更接近目标的源训练样本用来微调C。阶段4对于每个源域，基于阶段2学到的目标编码器提取图像特征。接着结合每个源分类器的不同预测获得最终预测Result(xT)=∑i1NwiCi′FiTxT))，其中Ci′FiTxT))是域特定预测其中，LwdDi是估计的Wasserstein距离。

宇来风满楼

240人浏览 · 2023-10-06 15:47:14

宇来风满楼 · 2023-10-06 15:47:14 发布

方法

在这里插入图片描述
D是域判别器，C是分类器。阶段3选择更接近目标的源训练样本用来微调C。阶段4对于每个源域，基于阶段2学到的目标编码器提取图像特征。接着结合每个源分类器的不同预测获得最终预测Result( $x_T$ )= $∑i=1NwiCi′(FiT(xT))\sum_{i=1}^Nw_iC_i^{'}(F_i^T(x_T))$ ，其中 $C_i^{'}(F_i^T(x_T))$ 是域特定预测
在这里插入图片描述其中， ${L_{wd}}_{D_i}$ 是估计的Wasserstein距离