令人沮丧的简单 NBNN 领域适应

在过去的几年里，几位作者指出，最先进的分类方法在使用来自不同数据库的数据进行训练和测试时，表现不佳。文献中的普遍共识是，这个问题被称为领域适应和/或数据集偏差，源于数据集合之间的分布不匹配。解决这个问题的方法从最大边际分类器到学习如何修改特征并获得更稳健的表示。这些研究的大部分使用 BOW 特征描述符，同时基于图像到图像的距离函数进行学习。在 6 的开创性工作基础上，本文挑战这两个假设。我们实验证明，使用 NBNN 分类器在现有的领域适应数据库上始终能够取得非常强的表现。我们在这一结果的基础上，提出了一种基于 NBNN 的领域适应算法，该算法在每个样本之间形成大边际分离的同时，迭代学习类度量。我们所知，这是第一项将领域适应问题置于 NBNN 框架内的工作。实验表明，我们的方法在无监督和半监督设置下都达到了最先进的水平。