** Sun, Baochen, and Kate Saenko. “Deep coral: Correlation alignment for deep domain adaptation.” ECCV. Springer, Cham, 2016. **
結構如圖:
兩個損失函數:
其中LCLASS爲分類損失,LCORAL:
CS和CT爲樣本協方差 (二階統計量),反映了feature map上各位置的相關性。 其中D_S矩陣的每一行代表代表一個feature map。CS和CT的行數=CS和CT的列數=feature map維度。
CORAL Loss係數爲0時,訓練過程中CORAL distance測量值變化情況:
上圖證明了CORAL Loss的有效性。
原文表明:沒有CORAL Loss直接fine-tuning容易對source domain的數據過擬合。
這裏複習下樣本方差爲無偏估計量:
S2=n∑(xi−xˉ)2
證明:
E(s2)=n−11E[∑(xi−xˉ)2]=n−1∑E(xi2−2xˉxi+xˉ2)=n−1nE2(x)−2nE(xˉ2)+nE(xˉ2)=n−1nE2(x)−nE(xˉ2)=n−1nE2(x)−nD(xˉ)−nE2(xˉ)=n−1nE2(x)−nD(xˉ)−nE2(x)=n−1nE2(x)−nE2(x)−nD(xˉ)=n−1nD(x)−nnD(x)=D(x)
注意:
E(x)∑(−2E(xi)E(x)D(xˉ)̸=xˉxˉ)̸=−2nE(x)=E(xˉ)=E(xˉ2)−E2(xˉ)
類似於S2=n∑(xi−xˉ)2
樣本協方差 =n−1∑(xi−xˉ)(yi−yˉ)=n−1∑xiyi−nxˉyˉ