Domain_Adaptation

Domian Adaptation

领域适应（Domian Adaptation）是迁移学习的一个子方法，但有不同于迁移学习。

域适应是使用模型从足够训练集的相关域中训练到的知识，来提高模型再不足训练数据目标域上性能的技术。

领域适应是为了解决训练模型在验证或者实际数据集上表现不佳的问题

例如：1.训练数据集是手机拍摄的图片，而验证数据集是单反拍摄的图片，可能就会由于两者的差距而导致模型在验证集上表现不佳。

2.在MFR问题上，训练采用的是合成遮蔽人脸图像。训练出来的模型在合成人脸训练集上表现好能达到96%的准确率，但是在真实人脸训练集上表现不佳，只有78%的准确率。

使用领域适应，在一个数据集上寻来你的模型，不需要再新数据上重新训练。

领域适应相关概念

源域：这是使用标记示例训练模型的数据分布。在上面的示例中，手机照片创建的数据集是源域。

目标域：这是一种数据分布，在不同域上预训练的模型用于执行类似的任务。目标域是使用上例中的 DSLR 相机的照片生成的数据集。

领域翻译：领域翻译是在两个领域之间找到有意义的对应关系的问题。

域转换：域转换是模型不同域（例如训练集、验证集和测试集）之间数据统计分布的变化。

领域适应方法

• Supervised DA 监督DA
• Semi-Supervised DA 半监督DA
• Weakly Supervised DA 弱监督DA
• Unsupervised DA 无监督DA

再MFR问题中应用领域学习论文

Masked face recognition using domain adaptation