《表2 MNIST、USPS和SVHN数据集上不同方法的测试结果》

  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

《多层校正的无监督领域自适应方法》

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:加粗字体为最优结果。

为了验证本文方法在数字识别中的效果，使用LeNet[23]、SA（subspace alignment）[30]、DAN和本文方法4种方法在MNIST（M）、SVHN（S）和USPS（U）3个基准的训练图像集上进行实验。其中，卷积神经网络经典模型LeNet常用于数字识别，SA提出了一种用于领域自适应的子空间对齐方法，目的在于学习将源样本与目标样本对齐的特征映射。源模型全部采用随机梯度下降法训练，设置学习率为0.01，权重衰减为0.000 1，添加的Nesterov动量为0.9，每个实验中小批量训练的大小为256，选择目标域的所有图像作为测试样本，重复实验5次，取平均值，结果如表2所示。