Resumen

La adaptación de dominio ha atraído recientemente la atención para el reconocimiento visual. Parte del supuesto de que los datos del dominio fuente y del dominio objetivo se extraen del mismo espacio de características pero con distribuciones de margen diferentes, y su motivación es utilizar las instancias del dominio fuente para ayudar en el entrenamiento de un clasificador robusto para tareas del dominio objetivo. Estudios previos siempre se centran en reducir la discrepancia de distribución entre dominios. Sin embargo, en muchas aplicaciones del mundo real también existen problemas de sesgo de selección de muestras entre instancias en un dominio; esto reduciría el rendimiento de generalización de los aprendices. Para abordar este problema, proponemos un modelo novedoso llamado Máquinas de Soporte Vectorial de Ejemplares para Adaptación de Dominio (DAESVMs) basado en máquinas de soporte vectorial de ejemplares (exemplar-SVMs). Nuestro enfoque tiene como objetivo abordar los problemas de sesgo de selección de muestras y adaptación de dominio simultá

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Adaptación de dominio; Reconocimiento visual; Dominio fuente; Dominio objetivo; Sesgo de selección de muestras; Máquinas de vectores de soporte ejemplares
• Keywords:Domain adaptation; Visual recognition; Source domain; Target domain; Sample selection bias; Exemplar support vector machines