论文部分内容阅读
在模式识别算法中通常假设训练样本和测试样本服从同一分布。然而，当这种假设无效时，分类准确率会显著下降。领域自适应试图通过矫正源域分布和目标域分布的不匹配来解决分类准确率下降的问题。文中提出了核子空间对齐的非监督领域自适应方法（KSA），其基本思想是首先对源域和目标域分别提取非线性特征，然后对齐提取的两个特征坐标系，使得在发生域迁移时源域和目标域的特征保持不变。视觉分类任务上的实验结果表明，KSA优于目前有竞争力的非监督域自适应方法。