迁移学习（ADDA）《Adversarial Discriminative Domain Adaptation》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ]

论文信息

论文标题：Adversarial Discriminative Domain Adaptation
论文作者：Eric Tzeng, Judy Hoffman, Kate Saenko, Trevor Darrell
论文来源：CVPR 2017
论文地址：download 
论文代码：download
引用次数：3257

1 介绍

　　动机：

• • 在做分类或者域偏移较大的任务，之前的方法比较不那么令人满意；
  • 先前的判别方法可以处理更大的域迁移，但对模型施加了绑定的权重，并且没有利用基于 GAN 的损失；

2 对抗域适应

　　源域分类器训练：

　　　　$\underset{M_{s}, C}{\text{min}} \quad \mathcal{L}_{\mathrm{cls}}\left(\mathbf{X}_{s}, Y_{t}\right)=  \mathbb{E}_{\left(\mathbf{x}_{s}, y_{s}\right) \sim\left(\mathbf{X}_{s}, Y_{t}\right)}-\sum\limits _{k=1}^{K} \mathbb{1}_{\left[k=y_{s}\right]} \log C\left(M_{s}\left(\mathbf{x}_{s}\right)\right)\quad\quad(1)$

　　域鉴别器训练：

　　　　$\begin{array}{l}\mathcal{L}_{\text {adv }_{D}}\left(\mathbf{X}_{s}, \mathbf{X}_{t}, M_{s}, M_{t}\right)= -\mathbb{E}_{\mathbf{x}_{s} \sim \mathbf{X}_{s}}\left[\log D\left(M_{s}\left(\mathbf{x}_{s}\right)\right)\right] -\mathbb{E}_{\mathbf{x}_{t} \sim \mathbf{X}_{t}}\left[\log \left(1-D\left(M_{t}\left(\mathbf{x}_{t}\right)\right)\right)\right]\end{array} \quad\quad(2)$

　　域对抗技术的通用公式如下：

　　　　$\begin{array}{l}\underset{D}{\text{min}}  & \mathcal{L}_{\mathrm{adv}_{D}}\left(\mathbf{X}_{s}, \mathbf{X}_{t}, M_{s}, M_{t}\right) \\\underset{M_{s}, M_{t}}{\text{min}}  & \mathcal{L}_{\mathrm{adv}_{M}}\left(\mathbf{X}_{s}, \mathbf{X}_{t}, D\right) \\\text { s.t. } & \psi\left(M_{s}, M_{t}\right)\end{array}\quad\quad(3)$

2.1 源域和目标域映射

　　

　　归结为三个问题：

1. • 选择生成式模型还是判别式模型？
   • 针对源域与目标域的映射是否共享参数？
   • 损失函数如何定义？

2.2 Adversarial losses

　　DANN 域鉴别器和特征提取器训练目标的关系：

　　　　$\mathcal{L}_{\text {adv }_{M}}=-\mathcal{L}_{\mathrm{adv}_{D}}\quad\quad(6)$

　　问题：在训练的早期，鉴别器快速收敛，导致梯度消失；

　　GAN 训练目标：

　　　　$\underset {G}{\text{min }}\underset {D}{\text{max }}V(D, G)=\mathbb{E}_{\boldsymbol{x} \sim p_{\text {data }}(\boldsymbol{x})}[\log D(\boldsymbol{x})]+\mathbb{E}_{\boldsymbol{z} \sim p_{\boldsymbol{z}}(\boldsymbol{z})}[\log (1-D(G(\boldsymbol{z})))]$

　　拆解：

　　　　$\mathcal{L}_{\mathrm{adv}_{M}}\left(\mathbf{X}_{s}, \mathbf{X}_{t}, D\right)=-\mathbb{E}_{\mathbf{x}_{t} \sim \mathbf{X}_{t}}\left[\log D\left(M_{t}\left(\mathbf{x}_{t}\right)\right)\right] $

　　　　$\begin{array}{l}\mathcal{L}_{\text {adv }_{D}}\left(\mathbf{X}_{s}, \mathbf{X}_{t}, M_{s}, M_{t}\right)= -\mathbb{E}_{\mathbf{x}_{s} \sim \mathbf{X}_{s}}\left[\log D\left(M_{s}\left(\mathbf{x}_{s}\right)\right)\right] -\mathbb{E}_{\mathbf{x}_{t} \sim \mathbf{X}_{t}}\left[\log \left(1-D\left(M_{t}\left(\mathbf{x}_{t}\right)\right)\right)\right]\end{array} $

　　注意：训练鉴别器使用的是正常标签，训练生成器使用的是倒置标签；

adversarial_loss = torch.nn.BCELoss()  # 损失函数（二分类交叉熵损失）
generator = Generator()           #生成器
discriminator = Discriminator()   #鉴别器

optimizer_G = torch.optim.Adam(generator.parameters(), lr=opt.lr, betas=(opt.b1, opt.b2))  # 生成器优化器
optimizer_D = torch.optim.Adam(discriminator.parameters(), lr=opt.lr, betas=(opt.b1, opt.b2))   # 鉴别器优化器

for epoch in range(opt.n_epochs):
    for i, (imgs, _) in enumerate(dataloader):
        # Adversarial ground truths
        valid = Variable(Tensor(imgs.size(0), 1).fill_(1.0), requires_grad=False)  #torch.Size([64, 1])
        fake = Variable(Tensor(imgs.size(0), 1).fill_(0.0), requires_grad=False)   #torch.Size([64, 1])
        real_imgs = Variable(imgs.type(Tensor))     #torch.Size([64, 1, 28, 28])   真实数据

        # ----------------------> 训练生成器  [生成器使用噪声数据，使得其尽可能为真，迷惑鉴别器]
        optimizer_G.zero_grad()
        z = Variable(Tensor(np.random.normal(0, 1, (imgs.shape[0], opt.latent_dim))))    #torch.Size([64, 100])
        gen_imgs = generator(z)        #torch.Size([64, 1, 28, 28])
        g_loss = adversarial_loss(discriminator(gen_imgs), valid)
        g_loss.backward()
        optimizer_G.step()

        # ----------------------> 训练鉴别器  [ 尽可能将真实数据和噪声数据区分开]
        optimizer_D.zero_grad()
        real_loss = adversarial_loss(discriminator(real_imgs), valid)
        fake_loss = adversarial_loss(discriminator(gen_imgs.detach()), fake)
        d_loss = (real_loss + fake_loss) / 2
        d_loss.backward()
        optimizer_D.step()

　　本文采用的方法类似于  GAN 。

3 对抗性域适应

　　与之前方法不同： 

　　

　　本文方法：

　　

　　首先：预训练，使用源域训练一个分类器；[ 公式 9 第一个子公式]

　　其次：对抗性训练

1. • 使用源域和目标域数据，训练一个域鉴别器 Discriminator ，是的鉴别器尽可能区分源域和目标域数据 ；[ 公式 9 第二个子公式]　　
   • 使用目标域数据，训练目标域特征提取器，尽可能使得域鉴别器区分不出目标域样本；[ 公式 9 第三个子公式]　　

　　最后：测试；

　　ADDA 优化目标：

　　　　$\begin{array}{l}\underset{M_{s}, C}{\text{min}} \quad \mathcal{L}_{\mathrm{cls}}\left(\mathbf{X}_{s}, Y_{s}\right) &=&-\mathbb{E}_{\left(\mathbf{x}_{s}, y_{s}\right) \sim\left(\mathbf{X}_{s}, Y_{s}\right)} \sum_{k=1}^{K} \mathbb{1}_{\left[k=y_{s}\right]} \log C\left(M_{s}\left(\mathbf{x}_{s}\right)\right) \\\underset{D}{\text{min}}  \quad\mathcal{L}_{\text {adv }_{D}}\left(\mathbf{X}_{s}, \mathbf{X}_{t}, M_{s}, M_{t}\right)&=& -\mathbb{E}_{\mathbf{x}_{s} \sim \mathbf{X}_{s}}\left[\log D\left(M_{s}\left(\mathbf{x}_{s}\right)\right)\right] \text { - } \mathbb{E}_{\mathbf{x}_{t} \sim \mathbf{X}_{t}}\left[\log \left(1-D\left(M_{t}\left(\mathbf{x}_{t}\right)\right)\right)\right] \\\underset{M_{t}}{\text{min}}  \quad \mathcal{L}_{\operatorname{adv}_{M}}\left(\mathbf{X}_{s}, \mathbf{X}_{t}, D\right)&=& -\mathbb{E}_{\mathbf{x}_{t} \sim \mathbf{X}_{t}}\left[\log D\left(M_{t}\left(\mathbf{x}_{t}\right)\right)\right] \\\end{array} \quad\quad(9)$

 

for epoch in range(params.num_epochs):
    data_zip = enumerate(zip(src_data_loader, tgt_data_loader))
    for step, ((images_src, _), (images_tgt, _)) in data_zip:
        # 2.1 train discriminator #
        images_src = make_variable(images_src)
        images_tgt = make_variable(images_tgt)
        optimizer_discriminator.zero_grad()
        feat_src = src_encoder(images_src) #torch.Size([50, 500])
        feat_tgt = tgt_encoder(images_tgt) #torch.Size([50, 500])
        feat_concat = torch.cat((feat_src, feat_tgt), 0)  #torch.Size([100, 500])
        pred_concat = discriminator(feat_concat.detach())  #torch.Size([100, 2])
        label_src = make_variable(torch.ones(feat_src.size(0)).long())
        label_tgt = make_variable(torch.zeros(feat_tgt.size(0)).long())
        label_concat = torch.cat((label_src, label_tgt), 0)  #torch.Size([100])
        loss_discriminator = criterion(pred_concat, label_concat)
        loss_discriminator.backward()
        optimizer_discriminator.step()

        # 2.2 train target encoder #
        optimizer_discriminator.zero_grad()
        optimizer_tgt.zero_grad()
        feat_tgt = tgt_encoder(images_tgt)
        pred_tgt = discriminator(feat_tgt)
        label_tgt = make_variable(torch.ones(feat_tgt.size(0)).long())
        loss_tgt = criterion(pred_tgt, label_tgt)
        loss_tgt.backward()
        optimizer_tgt.step()