王耀力, 刘晓慧, 李斌, 常青

(1.太原理工大学 信息与计算机学院, 山西 太原 030024; 2.西北工业大学 航海学院, 陕西 西安 710071)

特殊场景分类和识别任务常常因样本不易获得而造成样本缺乏，即产生所谓小样本问题。如何提高小样本机器学习在这些困难场景中的分类准确度与性能是当前研究的热点与难点[1-3]。其中领域自适应迁移学习方法，利用源域信息对目标域数据进行标注分类具有较好效果。通常领域自适应迁移学习方法有子空间学习法和概率分布适配法等。

子空间学习方法主要由统计特性变换与流形学习两方面组成。在统计特性变换方面，子空间对齐法(SA)[4]通过优化将辅助域子空间转换为目标子空间的映射函数来使辅助域子空间和目标域子空间靠近，直接减小2个域之间差异；子空间分布对齐(SDA)[5]则是通过增加子空间方差自适应扩展了子空间对齐法，但未考虑子空间局部属性，忽略了条件分布对齐；关联对齐法(CORAL)[6]用二阶统计量对子空间对齐，但未考虑分布对齐；散点成分分析(SCA)[7]是通过将样本转化为一组子空间，再最小化子空间之间的散度。在流形学习方面，采样测地线流方法(SGF)[8]把领域自适应看成是一个增量式"行走"问题，在流形空间中采样有限点，构建测地线流；测地线流式核方法(GFK)[9]则扩展了流形中采样点方法，提出了域间测地线流核学习方法；域不变映射(DIP)[10]是通过使用格拉斯曼流形进行域自适应，但其忽略了条件分布对齐；……