唐宋+叶茂+李旭冬

摘要：针对目前域自适应目标识别问题的学习方法，进行系统总结。首先，提出目标识别的两个基本主题：基于域自适应的目标分类和目标检测；然后，围绕这两个主题，从特征和样本两个角度，展开具体综述。认为对于域自适应目标分类，几种算法的主要问题为：忽略了样本所构成的流形几何结构，如果能利用几何结构来约束特征表达，将有利于样本特征鲁棒性的提高。对于域自适应目标检测，其问题为：现有方法对源样本和带标签的目标域样本存在依赖，这一问题使得现有的方法很难适用于某些真实的应用场景。

关键词： 域自适应学习；目标分类；目标检测

在计算机视觉领域，作为许多计算机视觉应用的基础，目标识别问题一直是相关研究的重点。2006年，G.E.Hiton提出深度学习以后，针对经典的目标识别问题（训练集和测试集概率分布相同），取得了重大进展。基于域间分布差异的域自适应目标识别问题，已逐渐成为计算机视觉领域的研究热点。对于该问题的研究具有重要的意义，主要体现在两个方面：提高了分类器或检测器的复用性，有效地增强了模型对新环境的适应性；使得模型的训练过程能很大程度地独立于应用场景。因为在训练模型时，不再特别地考虑应用场景的具体特点，所以在训练阶段可以借助诸如大数据等的优势，预训练出具有较好泛化能力的模型。

1 域自适应学习和目标识别问题

域自适应学习是迁移学习[1]的一个子类。……