Neural Information Processing - 29th International Conference, ICONIP 2022, Virtual Event, November 22-26, 2022, Proceedings, Part I
Neural Information Processing - 29th International Conference, ICONIP 2022, Virtual Event, November 22-26, 2022, Proceedings, Part I
复制标题
神经信息处理 - 第 29 届国际会议，ICONIP 2022，虚拟活动，2022 年 11 月 22-26 日，会议记录，第一部分
DOI：
10.1007/978-3-031-30105-6_49
复制
发表时间：
2023
期刊：
影响因子：
--
通讯作者：
Calnegru F
中科院分区：
文献类型：
--
作者：
Calnegru F
在本文中，我们介绍了多方面的贡献。首先，我们提出了一个特定于卷积神经网络（CNN）的定义，用于语义相似特征的概念。其次，使用这个定义，我们引入了一种新的损失，它在语义上将特征从一个域转移到另一个域，其中两个域的特征都是由两个 CNN 学习的。我们的转移损失（称为 CBT）限制了两个 CNN 的相应卷积核的响应，以在相似的上下文中进行关联。当源域的特征对于分类器而言具有区分性时，CBT 有助于在目标域中维护该分类器施加的特征空间的语义。第三，我们通过提出一种解决该问题的新方法来证明 CBT 可用于无监督域适应（UDA）。
In this paper, we introduce a multifaceted contribution. First, we propose a definition, specific to convolutional neural networks (CNN’s), for the notion of semantically similar features. Second, using this definition, we introduce a new loss, which semantically transfers features from one domain to another domain, where the features of both domains are learnt by two CNN’s. Our transfer loss, named CBT, constrains the responses of the corresponding convolutional kernels of the two CNN’s to correlate in similar contexts. When the features of the source domain are discriminative, with respect to a classifier, CBT helps to maintain in the target domain, the semantics of the feature space imposed by that classifier. Third, we show that CBT can be used for unsupervised domain adaptation (UDA) by proposing a novel approach for this problem.