科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于特征表示的领域自适应是研究的最广泛的迁移学习方法。但是，目前的方法在获得新的数据表征之后，没有考虑类内与内间的关系，并且在转换的过程中丢失了数据的几何结构信息。针对上述问题，提出一种判别与结构信息保持的无监督领域自适应方法。该方法在低秩子空间学习的框架下，从保留源域的判别信息和数据的结构信息两方面考虑，提高分类器在目标域样本的分类准确度。具体地，该方法寻找一个源域和目标域之间的不变子空间，通过低秩约束的跨领域样本重构学习以减少跨域分布差异，在迁移过程中，使用标签松弛矩阵最大化源域不同类别样本的类间距离和源域类间稀疏约束缩小来自同类别样本的距离，有效地保留了源域的判别信息。同时，利用自适应概率图结构保留样本的局部近邻关系，捕获数据底层的几何结构信息，增强子空间学习的鉴别力和鲁棒性。在3种不同的跨域图像基准数据集上实验验证了提出方法的有效性。实验结果表明，所提算法的分类性能优于目前存在的方法。
-
单位重庆邮电大学; 通信与信息工程学院
