目录

领域偏移Domain Shift

领域对抗训练Domain Adversarial Training

领域自适应 Domain Adaptation 

---

领域偏移Domain Shift

训练数据和测试数据的分布不同，训练集上训练出来的模型在测试集上的效果可能不佳

原领域可能应该认为为0的东西，在新的领域可能被认为是1.

领域对抗训练Domain Adversarial Training

以手写数字识别为例子，可以训练一个特征提取器，用来过滤一些可能的杂讯（颜色，背景等） 

利用领域对抗训练，输入的图片各式各样，训练一个特征提取器（让原领域的图片和目标领域的图片尽可能地无差异），要求训练之后的能力是输入一个图片，骗过Domain Classifier（任务是输入的图片分类，是Source还是Target？）。但是要注意一个问题，如果特征提取器实际上是个垃圾，他什么都也不管输入，只是单纯的输出0......这样也可以骗过Domain Classifier

领域自适应 Domain Adaptation 

        训练数据集是很丰富的测试数据集是单一的，我们期待因为训练数据有多个领域，模型可以弥补领域之间的差异。详细见论文Li, H., Pan, S. J., Wang, S., & Kot, A. C. (2018). Domain Generalization with Adversarial Feature Learning. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. doi:10.1109/cvpr.2018.00566

        当测试数据是复杂的而训练数据是单一的，那么我们可以使用数据增强来使原来的训练数据产生多个领域的数据。详细见论文Qiao, F., Zhao, L., & Peng, X. (2020). Learning to Learn Single Domain Generalization. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). doi:10.1109/cvpr42600.2020.01257