TY -的A2 -潘,Shirui盟——他,亦未非盟-田,英杰盟——唐,晶晶盟- Ma,曰PY - 2018 DA - 2018/04/22 TI -无监督领域适应使用Exemplar-SVMs适应正规化SP - 8425821六世- 2018 AB -视觉识别领域适应最近吸引了注意力。它假定源和目标域数据都来自相同的特征空间,但不同的边缘分布,其动机是利用源领域实例协助培训一个健壮的分类器对目标域的任务。先前的研究总是关注减少跨域分布不匹配。然而,在许多实际应用中,还存在样本实例中选择性偏差的问题域;这将减少学习者的泛化性能。为了解决这个问题,我们提出一个新的模型命名域适应范例支持向量机基于范例(DAESVMs)支持向量机(exemplar-SVMs)。我们的方法旨在解决问题的样本选择偏差和域同时适应。与通常的领域适应问题,我们更进一步消解先验知识的假设:第一,我们制定DAESVMs训练分类器与最大意味着域之间的差异(MMD)减少数据映射到一个潜在的空间和保留原始数据的属性,然后,我们集成分类器对目标域的预测实例。我们的办公室和Caltech10数据集上进行了实验和验证我们提出的模型的有效性。SN - 1076 - 2787你——https://doi.org/10.1155/2018/8425821——10.1155 / 2018/8425821 JF - PB - Hindawi KW - ER -复杂性