《表1 各方法在数据集Office-31上识别结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《注意力迁移的联合平衡领域自适应》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体表示最优结果。

使用两个测试领域自适应方法的标准数据集进行试验。数据集Office-31[15]包含来自3个不同领域的31个类别组成的4 652个图像:亚马逊（A），DSRL（D）和网络摄像头（W）。亚马逊图像是从网络（http://amazon.com）收集的，网络摄像头和数码单反相机图像是在一个环境中人工手动收集的。本文实验对整个有标记的源域数据和未标记的目标域数据进行训练，并在有标记的目标样本上进行测试。为了表明模型的普遍适用性，实验全面评估了6个迁移学习任务A→D、A→W、D→A、D→W、W→A、W→D，实验结果如表1所示。数据集OfficeCaltech[16]选择Office-31和Caltech256[17]数据集中的10个常见类别的子集。该数据集包含2 533幅图像，其中约一半属于数据集Caltech256。亚马逊（A），DSLR（D），网络摄像头（W）和Caltech256（C）中的每一个都被视为单独的域。本文实验中只包含C作为源域或目标域的源/目标组合。6个迁移学习任务分别为A→C、W→C、D→C、C→A、C→W、C→D，实验结果如表2所示。本文提出的注意力迁移的联合平衡领域自适应方法不仅充分利用源域有标签数据的空间位置信息，来辅助目标域无标签数据的学习，而且引入联合平衡自适应方法，赋予网络自动调整每个领域对齐层特征对齐的能力。为验证上述两种方法的有效性，本文分别在数据集Office-31和数据集Office-Caltech上通过单一的注意力迁移机制和使用注意力迁移的联合平衡领域自适应方法进行实验对比，结果如表1和表2所示。