【論文閱讀】CYCADA CYCLE-CONSISTENT ADVERSARIAL DOMAIN ADAPTATION
阿新 • • 發佈:2021-07-14
CyCADA
論文中,定義了一種問題——無監督適配,即僅提供源資料\(X_S\)和源標籤\(Y_S\),以及源域目標資料\(X_T\),沒有目標標籤或者不利用它。問題的目的是學習一個模型\(f\),它可以正確預測目標資料的標籤。
CYCADA
的模型基本如上圖所示,論文的主要思路來自於cycleGAN
, 利用cycle GAN
來完成image-level的適配問題。通過講影象變換到目標域來實現域適配的問題。
源域訓練模型的loss函式
\[\mathcal{L}_{task}(\mathcal{f}_S, \mathrm{X}_S, \mathrm{Y}_S) = -\mathbb{E}_{(x_S,y_S)~(X_S,Y_S)}\sum_{k=1}^{K}\mathbb{1}_{k=y_s}\log{(\sigma(f_S^{(k)}(x_s)))} \]其中\(\sigma\)
softmax
在論文中,加入語義一致性(semantic consistency)是一個貢獻,因為已知源標籤。語義損失為:
\[L_{sem}(G_{S \rightarrow T}, G_{T \rightarrow S}, X_S, X_T, f_S) = L_{task}(f_S, G_{T \rightarrow S}(X_T), p(f_S, X_T)) + L_{task}(f_S, G_{S \rightarrow T}(X_S), p(f_S, X_S)) \]損失函式如下:
\[\begin{aligned} & L_{CyCADA}(f_T, ,X_S, X_T, Y_S, G_{S \rightarrow T}, G_{T \rightarrow S}, D_S, D_T) \\ &= L_{task}(f_T, G_{S \rightarrow T}(X_S), Y_S)\\ &+ L_{GAN}(G_{S \rightarrow T}, D_T, X_T, X_S) \\ &+ L_{GAN}(G_{T \rightarrow S}, D_S, X_S, X_T)\\ & + L_{GAN}(f_T, D_{feat}, f_S(G_{S \rightarrow T}(X_S)), X_T)\\ & + L_{cyc}(G_{S \rightarrow T}, G_{T \rightarrow S}, X_S, X_T)\\ & + L_{sem}(G_{S \rightarrow T}, G_{T \rightarrow S}, X_S, X_T, f_S) \end{aligned} \]第一項\(L_{task}(f_T,G_S→T(X_S),Y_S)\)
第二項\(L_{GAN}(G_S→T,D_T,X_T,X_S)\)表示,變換\(G_S→T\)根據源影象\(X_S\)生成偽目標影象去fool對抗判別器\(D_T\), 並且該判別器嘗試從源目標資料(source target data)(生成?)中識別出真實目標資料(real target data)。
第三項類似於第二項,然後就是CyCleGAN
的思路。
第四項為特徵水平的GAN損失,如圖1中橙色部分。
第五項為CyCleGAN