《Dynamic Classifier Alignment for Unsupervised
Multi-Source Domain Adaptation》

摘要

如论文名，DCA是在无监督的多源域领自适应中，每个域采用多视角，以丰富迁移信息。通过一种sample-wise的自动对齐方式在每个源域上对齐各个视角训练出的分类器。
本文特点：

通过辅助分类器生成的学习函数学习各视角的重要性，作为单个源域上联合各视角分类器时的权值。
以域鉴别器评估出的样本属于源域的概率，作为联合源域时的权值
一个自学习战略，通过伪标签的帮助加强源域分类器的跨域能力

前人不足

之前使用多视角特征的DA（领域自适应）方法

view方面

对于多视角特征的处理方法，或者在公共空间中合并特征，或者简单地连接特征而忽视了视角相关的信息或每个视角的重要性。

domain方面

试图在所有域上学习一个通用的分类器，但可能不存在对于所有域的公共特征空间。

三个主要贡献

①学习每个视角的特征的重要性，以确保merge 预测时，主导特征有更大的作用。
②自训练战略：选择训练师有高置信度的伪标签
通过迭代地靶目标域分为训练和测试集，以提高元分类器的跨域能力
③一种自动的基于样本的方法，用来学习连接不同视角、不同分类器的预测结果的权重

算法主要介绍

DCA总框架.png

总体框架如上图，它包括特征提取、分类器对齐、伪标签选择和目标任务完成。
特征提取收集共享特征和特定于视角的多视角特征。其中，共享源特征用于学习识别样本属于源域的概率的域鉴别器，而自适应的特定多视角特征用于训练一系列分类器。通过线性混合从不同视角学习的多个分类器，生成每个源域的辅助分类器，然后基于该辅助分类器生成一个重要性学习函数，以学习多视角特征在对齐分类器时的重要性权值。同时，学习分类器会提供伪标签来监督进一步的训练。使用共享特征训练的领域鉴别器计算出的目标样本属于源域的程度，最终组合源域分类器来预测目标标签。