Key points are not available for this paper at this time.
Trabalhos recentes sobre adaptação de domínio revelam a eficácia da aprendizagem adversarial em preencher a discrepância entre os domínios de origem e alvo. No entanto, existem duas limitações comuns nos métodos atuais baseados em aprendizagem adversarial. Primeiro, amostras de dois domínios sozinhas não são suficientes para garantir a invariância ao domínio na maior parte do espaço latente. Em segundo lugar, o discriminador de domínio envolvido nesses métodos só pode julgar real ou falso com a orientação de rótulos duros, enquanto é mais razoável utilizar pontuações suaves para avaliar as imagens ou características geradas, ou seja, para utilizar totalmente a informação interdomínio. Neste artigo, apresentamos a adaptação de domínio adversarial com mixup de domínio (DM-ADA), que garante invariância ao domínio em um espaço latente mais contínuo e orienta o discriminador de domínio a julgar a diferença das amostras em relação aos domínios de origem e alvo. O mixup de domínio é realizado conjuntamente em nível de pixel e de característica para melhorar a robustez dos modelos. Extensos experimentosprovam que a abordagem proposta pode alcançar desempenho superior em tarefas com vários graus de mudança de domínio e complexidade de dados.
Xu et al. (Sex,) estudaram essa questão.