Being trained with a large number of labeled data, deep neural networks can still fail to generalize to a target domain whose distribution is different from the source data distribution by a domain shift. On the other hand, labeling data to achieve an appropriate accuracy on the target domain is expensive and sometimes impracticable. Unsupervised domain adaptation addresses this problem by learning a model aiming at target dataset using labeled examples from source domain and unlabeled examples from target domain. The two key requirements to achieve successful adaptation are domain-invariant features extraction and discriminative features extraction. Domain alignment method extracts the domain-invariant features by matching the feature distribution of source and target domain. However, the extracted domain-invariant features are not guaranteed to be discriminative. To solve this problem, we propose Generative Adversarial Network-based Domain Adaptation (GANDA) method to extract the discriminative features. This method is orthogonal to the existing domain adaptation works and can be added as an additional component to further improve the performance of the models. Being evaluated with comprehensive experiments, our method outperforms or approaches the state-of-the-art methods on various standard domain adaptation tasks.
많은 수의 분류 된 데이터로 훈련을 받으면, 깊은 신경망은 도메인 이동에 의해 소스 데이터 분포와 다른 분포를 갖는 목표 도메인으로 일반화하지 못한다. 반면에 대상 도메인에서 적절한 정확도를 얻기 위해 데이터에 레이블을 지정하는 것은 비용이 많이 들고 때로는 실용적이지 못합니다. 감독되지 않은 도메인 적응은 원본 도메인의 레이블이있는 예제와 대상 도메인의 레이블이없는 예제를 사용하여 대상 데이터 세트를 목표로 모델을 학습하여이 문제를 해결합니다. 성공적인 적응을 달성하기위한 두 가지 핵심 요구 사항은 도메인 불변 피쳐 추출 및 차별 피쳐 추출입니다. 도메인 정렬 방법은 소스 및 대상 도메인의 피쳐 분포를 일치시켜 도메인 불변 피쳐를 추출합니다. 그러나, 추출 된 영역 불변 특징은 차별적 인 것으로 보장되지 않는다. 이 문제를 해결하기 위해 차별적 인 특징을 추출하기 위해 Generative Adversarial Network 기반의 도메인 적응 (GANDA) 방법을 제안한다. 이 방법은 기존의 도메인 적응 작업과 직결되며 모델의 성능을 향상시키기 위해 추가 구성 요소로 추가 할 수 있습니다. 포괄적 인 실험을 통해 평가 된이 방법은 다양한 표준 영역 적응 작업에 대한 최첨단 방법을 능가하거나이를 능가합니다.
